Vous êtes sur la page 1sur 89

1

Chapitre IV : Algbre linaire e e


Mustapha CHELLALI May 27, 2010
http://webserver.iam.net.ma/~chellali/sma2

mustapha.chellali@gmail.com

Prliminaire sur les systmes linaires e e e


Considrons le problme : e e Trouver tous les

x; y; z P R tel que: x + y 2z = 3
Il y a 3 inconnues et une quation . e Considrons de m^me le problme : e e e Trouver tous les

x; y P R tel que
Il y'a deux inconnues et 3 quations e Considrons de m^me le problme : e e e

V ` X

x + y = 1 x + 2y = 2 xy = 5

Trouver tous les

x; y P R tel que

V ` X

x + 3y = 2 x + 3y = 2 2x y = 5

Ici la m^me quation est rpete deux fois. Ce qui n'est pas absurde (on peut imaginer un e e e e problme concret qui mne a ce systme). e e  e
Exemple : Trouver

x; y P R tel que x(1; 1; 2) + y(3; 3; 1) = (2; 2; 5)

Considrons de m^me le problme: e e e Trouver tous les

x; y P R tel que

x = 4

Une inconnue peut ne pas gurer explicitement dans les quations. C'est le cas de l'inconnue y e dans le systme ci dessus. e

4
Exemple : Trouver

x; y; z P R tel que


1 1

0 1 0

H d

x y z

I e

10 7

Plus gnralement e e

D nition 1.1. On appel systme linaire le problme de trouver tous les x1 ; x2 ; ; xn P K (K e e e e corps commutatif ) vri ant m quations de la forme : e e
V b b ` b b X

a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn


1 1 2 2

am x + am x + + amn xn

= b1 = b2 = bm

(1) (2) (m)

1.1 Principe de rsolution : e


Principe de rsolution : Le principe pour rsoudre ce problme est simple: e e e

 

En utilisant une quation (j ), exprimer une inconnue xi1 en fonction des autres, rapporter le e rsultat dans les autres qutions. Cela donne un nouveau systme S2 de m 1 quations et e e e e n 1 inconnues Rsoudre le nouveau systme S2 . Utiliser la solution obtenue pour calculer  ectivement e e e l'inconnue limine dans l'tape 1 e e e On a donc

S @A

&

xi1 = : : : S2 xi1 = : : :

@A X
Soit

V ` & xi1

= ::: xi2 = : : :

S3

@A : : :

S @A

V b b b b b ` b b b b b X

xi2 = : : :

...

xi = : : :
r

Sr

Remarque. A chaque inconnue limine correspend une quation limine e e e e e


Nombre d'inconnues limines = Nombre d'quations limins e e e e e

Quand ce procd de rsolution s'arrte t'il ? e e e e

5
Quand il n'est plus possible d'exprimer une inconnue en fonction des autres.

C'est  dire : a

  

Soit il n'y a plus d'quations e Soit il n'y a plus d'inconnues Soit toutes les quations se prsenent sous la forme : e e
V ` X

Sr

0xir+1 + 0xir+2 + + 0xin = bHr+1

0xir+1 + 0xir+2 + + 0xin = bHm

La solution de ces systme est vidente : e e

Dans le premier cas les inconnues non encore limins peuvent prendre des valeurs arbitraires e ee et la solution gnrale du systme s'xprime au moyen de ces inconnues qui jouent le r^le de e e e e o paramtres arbitraires . La solution s'obtient en remontant les quations limines : dernire e e e e e quation limine, avant dernire, celle qui la prcde . . . e e e e ee Dans le second : si les quations non encore limins sont vri s, le systme est possible, sa e e ee e e e solution (unique) s'obtient en remontant les quations limines : dernire quation limine, e e e e e e e avant dernire, celle qui la prcde . . . Sinon le systme est impossible . e ee e Dans le troisime cas e

 

{ Ou bien il existe un bHi T= 0 dans ce cas ce systme est impossible, donc le systme de e e

dpart est impossible. e { Ou bien tous les bHi sont nuls, dans ce cas tous les inconnues non encore limins e ee xir+1 ; xir+2 ; : : : ; xin vri ent les quations, donc peuvent prendre des valeurs arbitraires e e et la solution gnrale du systme s'xprime au moyen de ces inconnues qui jouent le r^le e e e e o de paramtres arbitraires . La solution s'obtient en remontant les quations limines : e e e e dernire quation limine, avant dernire, celle qui la prcde . . . e e e e e ee

Exemple 1 :

S
On a

&

x+yz+t = x y 3z 5t =
&

1 1

(1) (2)

S @A S2 =y; z; t @A
&

x=1ty+z S2 =y; z; t

S2 =y; z; t @A

(1 t y + z ) y 3z 5t = 1 @A 2y 2z 6t = 2 & y = 1 z 3t

S3 =z; t S3 =z; t = Y

6 Le systme e

S3 =z; t = Y

n'a pas d'quations. Sa solution gnrale est : e e e

f(z; t) j z; t P K g
Donc la solution gnerale de S est e
V b b b b b b b b `        (x; y; z; t)   b b  b b  b b  b b  X 

dernire relation trouve e e x=1ty+z = 1 t (1 z 3t) + z = 4t relation qui la prcde ee

z; t P K y = 1 z 3t

W b b b b b b b b a b b b b b b b b Y

Soit

f(4t; 1 z 3t; z; t) j z; t P K g
Exemple 2 :
V b b ` b b X

S
On a

x+y =2 xy =0 2x + y = 3 x + 3y = 4 y =2x S2 =x

S @A S2 @A
Soit sous forme standard
V ` X

&

x (2 x) = 0 2x + (2 x) = 3 x + 3(2 x) = 4
V ` X

S2 @A
On rpte la mthode sur S e e e

2x = 2 x=1 2x = 2
&

S @A S3 @A
Soit sous forme standard

&

x=1 S3 = Y

2=2 2 = 2
&

S3 @A

0=0 0=0

S3 est un systme lementaire qui n'a pas d'inconnues, dont les relations sont vri . Donc S3 e e e e est possible . Donc S est possible. Sa solution unique est :
V b b ` b b X

(x; y )

       

x=1

Dernire equation limine e e e y =2x=1 Avant dernire equation limine e e e


V b b ` b b X

W b b a b b Y

Exemple 3 :

S
On a

x+y =2 xy =0 2x + y = 3 x + 3y = 7 y =2x S2 =x

S @A S2 @A
Soit sous forme standard
V ` X

&

x (2 x) = 0 2x + (2 x) = 3 x + 3(2 x) = 7
V ` X

S2 @A
On rpte la mthode sur S e e e

2x = 2 x=1 2x = 1

S @A S3 @A
Soit sous forme standard

& &

x=1 S3 = Y

2 = 1
&

2=2

S3 @A

0=0 0=3

S3 est un systme lementaire qui n'a pas d'inconnue, dont les relations ne sont pas vri . e e e e Donc S3 est impossible . Donc S est impossible.
Exemple 4 :

S
On a

V ` X

x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 7

8
&

S @A S2 @A
Soit sous forme standard
&

x=1+tyz S2 =y; z; t

(1 + t y z ) + y z 2t = 3 3(1 + t y z ) + 3y z 5t = 7

S2 @A

&

On rpte la mthode de resolution sur S2 e e e

2z t 4z 2t
&

= 2 = 4

S2 =y; z; t @A S3 @A
Soit sous forme standard

t = 2z 2 S3 =y; z
= 4

4z 2(2z 2)

S3 @A

0 = 0

S3 est donc un systme lementaire sur lequel l'algorithme s'arrte. Comme les quations de e e e e S3 sont vri es, sa solution gnerale est e e e

f(y; z)jy; z P K quelconques g


Donc la solution gnerale de S est e
V b b b b b b b b `        (x; y; z; t)   b b  b b  b b  b b  X 

y; z P K t = 2z 2

x=1+tyz = 1 + (2z 2) y z = 1 y 3z

dernire quation limine e e e e

W b b b b b b b b a b b b b b b b b Y

avant dernire quation limine e e e e

Soit

f (1 y 3z; y; z; 2z 2) jy; z P K g
Exemple 5 :

S
On a

V ` X

x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 6
&

S @A S2 @A
&

x=1+tyz S2 =y; z; t

(1 + t y z ) + y z 2t = 3 3(1 + t y z ) + 3y z 5t = 6

9 Soit sous forme standard

S2 @A

&

On rpte la mthode de resolution sur S2 e e e

2z t 4z 2t
&

= 2 = 3

S2 =y; z; t @A S3 @A
Soit sous forme standard

t = 2z 2 S3 =y; z
= 3

4z 2(2z 2)

S3 @A

0 =

S3 est donc un systme lementaire sur lequel l'algorithme s'arrte. Comme les quations de e e e e S3 ne sont pas vri es, S3 st impossible, donc S est impossible e e

1.2 Calcul d'une base de l'ensemble des solutions


Reprenons l'exemple 1. On a trouv la soluton gnrale de S e e e

f(4t; 1 z 3t; z; t) j z; t P K g
Une solution gnerale s'crit donc : e e

s = (4t; 1 z 3t; z; t) s = (0; 1; 0; 0) + z (0; 1; 1; 0) + t(4; 3; 0; 1)


L'ensemble des solution est donc un plan ane. Une base de l'espace vectoriel associ est : e ((0; 1; 1; 0); (4; 3; 0; 1)) Reprenons l'exemple 4. On a trouv la soluton gnrale de S e e e

f(1 y 3z; y; z; 2 2z) j y; z P K g


Une solution gnerale s'crit donc : e e

s = (1 y 3z; y; z; 2 2z ) s = (1; 0; 0; 2) + y(1; 1; 0; 0) + z (3; 0; 1; 2)


L'ensemble des solution est donc un plan ane. Une base de l'espace vectoriel associ est : e ((1; 1; 0; 0); (3; 0; 1; 2))

Autre Exemple de Systme linaire e e

&

x+yz+t=1 x y 3z 5t = 1

10
& & &

S S S S

x=1y+zt x y 3z 5t = 1

x=1y+zt ()(1) x y 3z 5t = 1

x=1y+zt ()(1) (1 y + z t) y 3z 5t = 1
&

x=1y+zt ()(1) 2y 2z 6t = 2 & x=1y+zt ()(1) S y = 1 z 3t & x=1y+zt ()(1) S y = 1 z 3t ()(2) & x=1y+zt ()(1) S y = 1 z 3t ()(2) V   (y; z ) P K b b  b b  y = 1 z 3t (2) `  (1) = (x; y; z; t)  x = 1 y + z t  b b  = 1 (1 z 3t) + z t b b  X  = 2z 4t & x=1y+zt ()(1) S y = 1 z 3t ()(2)


W b b b b a b b b b Y

S = (2z 4t; 1 z 3t; z; t)  (y; z ) P K

2 Structure d'espace vectoriel

 

L'algbre linaire est n des problmes linaires, e e e e e Ces problmes sont tels que e

{ La somme de solutions est une solution, { Le produit d'une solution par une constante est une solution.

  

La linarit exige donc deux oprations : e e e

{ Une addition { et une multipication par une constante.


On suppose que ces deux lois ont toutes les bonnes proprits de l'addition et multiplication ee dans R, Ceci amne a la structure d' espace vectoriel e 

11

D nition 2.2. Soit E un ensemble. K un corps commutatif. + une loi interne sur E . : une loi e externe de K E 3 E . On dit que (E; +; :) est un espace vectoriel sur K si :
1. (E; +) esr un groupe ablien e 2. La loi : est assosiative, c'eat--dire : a

Vx P E V ; P K

:( :x) = ( : ):x

3. La loi : est distributive par rapport  +, c'eat--dire : a a

V ; Vx P E ( + ):x = :x + :x V P K Vx; y P E :(x + y) = :x + :y


4. 1 est neutre pour la loi . c'eat--dire : a

Vx P E

1:x = x

Par abus on note simplement E l'espace vectoriel (E; +; :) de plus quand la premire loi est e bien note +, on note alors 0 l'lement neutre pour +, x le symtrique de x pour + et pour n P Z e e e e on note nx la puissance nime de x pour +. De m^me quant la deuxime loi est bien note :, pour e e e x P E et P K on peut noter x l'lment :x ee Comme consquences immdiates de ces axiomes, on a e e

     

Vx P E 0:x = 0 Vx P E (1):x = x Vx P E Vn P Z nx = n1:x Vx P E; V P K ( :x = 0 =A = 0 ou x = 0) Vx; y P E; V P K et = 0 ( :x = :y =A x = y) T V ; P K; Vx P E et x = 0 ( :x = :x =A = ) T

Exemples :

 K est un espace vectoriel sur K pour les lois + et :, nous verrons que cet espace vectoriel est 
Posons K n = f(x1 ; x2 ; : : : ; xn ) j x1 ; x2 ; : : : ; xn P K g. C'est un espace vectoriel sur K pour les lois : (x1 ; x2 ; : : : ; xn ) + (xH1 ; xH2 ; : : : ; xHn ) = (x1 + xH1 ; x2 + xH2 ; : : : )

fondamental en ce sens que tout espace vectoriel se factorise en produit d'espaces vectoriels isomorphes a K . 

:(x1 ; x2 ; : : : ; xn ) = (:x1 ; :x2 ; : : : ; :xn )

12

Soit E un espace vectoriel et F un ensemble. Rappelons que E F dsigne l'ensemble des e applications de F 3 E . C'est un espace vectoriel pour les lois (f; g ) 3 f + g : x 3 f (x) + g (x) (; f ) 3 :f : x 3 :f (x) Cet espace vectoriel joue un r^le important en analyse. o

Soit K un corps commutatif, K [X ] est naturalement un espace vectoriel sur K pour les lois :

P; Q P K [X ] 3 P + Q P

P K [X ]

 P K 3 P

Soit K un corps commutatif, K (X ) est naturalement un espace vectoriel sur K pour les lois :

R1 ; R2 P K (X )] 3 R1 + R2 R P K [X ]  P K 3 R

3 Sous espace vectoriel


Etant donne une structure sur un ensemble E , les parties de E qui sont stables par les oprations e e de la structures jouent un r^le important vis--vis a la structure. En e et, le problme fondamental o a  e qui se pose c'est de chercher a factoriser la structure par ses sous structures de manire .similaire  e n en n espaces vectoriels K K K . Dans la pulpart des cas on peut a la factorisation de K  munir les parties stables d'une structure semblable induite par la structure de E . On obtient ainsi la notion de sous-groupe, sous-anneau, sous-corps : : : et de sous espace vectoriel. D nition 3.3. Soientt (E; +; :), (F; +H ; :H ) des espaces vectoriels sur K On dit que (F; +H ; :H ) est e un sous espace vectoriel de (E; +; :) si :

1. F 2. 3.

&E Vx; y P F x +H y = x + y Vx P F V P K :Hx = :x

Par abus on dit alors que la partie F de E est un sous espace vectoriel.

13 On a une caractrisation beaucoup plus simple des sous espaces vectoriels e

Proposition 1.3. Soit E un espace vectoriel sur K . Soit F un sous ensemble de E . F est un sous espace vectoriel de E , si et seulement si :
1. F T= Y 2. Vx; y P F

x+y PF :x P F

3. Vx P F V P K

On peut runir les conditions 2. et 3. en une seule condition :: e

Proposition 2.3. Soit E un espace vectoriel sur K . Soit F un sous ensemble de E . F est un sous espace vectoriel de E , si et seulement si :
1. F T= Y 2. Vx; y P F V ; P K

x + y P F

Comme consquences immdiates on a : e e

Vx P F; x P F Vx P F; Vn P Z; nx P F Vx ; x ; : : : ; xn P F V ; ; : : : ; n P K x + x + + nxn P F Remarque. On a 0 P F . Il en rsulte que pour justi er que F T= Y, dans la majorit des cas, il e e sut de vri er que 0 P F , d'o une autre caracteisation : e u e
1 2 1 2 1 1 2

   

0PF

Proposition 3.3. Soit E un espace vectoriel sur K . Soit F un sous ensemble de E . F est un sous espace vectoriel de E , si et seulement si :
1. 0 P F 2. Vx; y P F V ; P K

x + y P F

Exemples de sous espaces vectoriels

 f0g et E sont des sous espaces vectoriel de E  Soit I = [a; b] un interval de R, l'ensemble des fonctions continues de I 3 R est un sous
espace vectoriel de RI
3

 E=R

et F = f(x; y; z ) j x 2y + 5z = 0g. F est un sous espace vectoriel de E , car :

{ (0; 0; 0) P F (car 0 2 0 + 5 0 = 0), donc F T= Y

14

{ Si (x; y; z ); (xH ; yH ; z H ) P F et ; P K , on a

(x; y; z ) + (xH ; yH ; z H ) = ( x; y; z ) + ( xH ; y H ; z H ) = ( x + xH ; y + y H ; z + z H )

( x + xH ) 2( y + y H ) + 5( z + z H ) = (x 2y + 5z ) + (xH 2y H + 5z H ) = 0+ 0=0 Donc (x; y; z ) + (xH ; y H ; z H ) P F Cet exemple est un cas particulier d'un rsultat gnral sur les systmes linaires homognes. e e e e e e Soit le systme linaire : e e

et on a

am x + am x + + amn xn = bm (m ) D nition 4.3. Le systme linaire est dit homogne si tous les bi sont nuls e e e e Proposition 4.3. Soit un systme linaire homogne L'ensemble des solutions de est un sous e e e espace vectoriel de K n (en particulier il est non vide, donc n'est jamais imposible).
b b X
1 1 2 2

V b b `

a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn

= b1 = b2

(1) (2)

Soit E un espace vectoriel. Dans la plupart des relations liant les lments de E , ces lments ne ee ee sont pas ncessairement distints et l'ordre dans lequel les lments interviennent importe, (penser e ee aux quations d'un systme linaire par exemple) aussi au lieu de travailler avec des sous-ensembles e e e de E , on travail souvent plut^t avec des familles (vi )iPI de E . Une famille (vi )iPI d'lments de E o ee s'appel habitualement systme de E . Si I = f1; 2; : : : ; ng , le systme (vi )iPI se note aussi : e e (v1 ; v2 ; : : : ; vn ) La notion qui suit permet de construire des sous espaces vectoriels.

Notation : Soit I un ensemble et K un corps commutatif. on note

K (I ) = f(i )iPI j i P K i = 0 sauf pour ensemble ni de i P I g Pour (vi )iPI un systme de E et (i )iPI P K (I ) , on note e

iPI

i vi def =

iPI

i T=0

i vi

on dit que

Remarque. pour un systme ni (v1 ; v2 ; : : : ; vn ) ni de E , une combinaison linaire des vecteurs e e vi s'crit : e

e iPI i vi est une combinaison linaire des vecteur vi .

1 v1 + 2 v2 + + n vn

15

Proposition 5.3. Soit E un espace vectoriel. Soit (Fi )iPI une famille de sous espaces vectoriels de E , alors i Fi est un sous espace vectoriel de E D nition 5.3. Soit E un espace vectoriel. Soit A un sous ensemble de E . On appel sous espace e vectoriel engendr par A, l'intersection des sous espaces vectoriel de E contenant A. e
On le note vect(A). Si (vi )iPI est un systme de E , on appel sous espace vectoriel engendr par e e (vi )iPI , celui engendr par A = fvi j i P I g, on le note vect(vi )iPI e Cette d nition se prte mal pour reconnaitre vect(A), la caractrisation qui suit est beaucoup e e e plus pratique :

Comme consquence immdiate de la d nition d'un sous e e e espace vectoriel, si F est sous espace vectoriel de E et les vi P F , alors toute combinaison linaire iPI i vi des vi est dans F . e

Proposition 6.3. Soit E un espace vectoriel, A une partie de E , F une partie de E . On a F = vect(A) si et seulement si 1. F est un sous espace vectoriel de E contenant A.
2. Tout sous espace vectoriel de E qui contient A, contient F Proposition 7.3. Soit E un espace vectoriel. Soit A un sous ensemble de E . On a
@

vect(A) =

aPA

a a j (a ) P K (A)

Autrement dit vect(A) est l'ensemble des combinaisons linaires des lments de A e ee
(A) ,. On vri e immdiatement que F est un e e Preuve : Posons F = aPA a a j (a ) P K sous espace vectoriel de E . On a A & F (prendre a = 1 et a = 0 pour aH T= a). Si F H est un sous espace vectoriel de E qui contient A, il contient toute combinaison linaire des lments de A, e ee donc contient F
0

Cas particuliers :

  

Soit v P E

vect(v) = fv j  P K g
Soient v1 ; v2 P E

vect(v1 ; v2 ) = f1 v1 + 2 v2 j 1 ; 2 P K g
Plus gnralement, soient v1 ; v2 ; : : : ; vn P E e e

vect(v1 ; v2 ; : : : ; vn ) = f1 v1 + 2 v2 + + n vn j 1 ; 2 ; : : : n P K g

16

4 Factorisation d'espaces vectoriels


Schmatiquement, le problme de factoriser une structure S revient a trouver des structures e e  S1 ; S2 ; : : : ; Sn de m^me type, indpendantes et tel que e e
S

@A S et S et : : : et Sn
1 2

L'avantage et que un problme sur S se scinde en n problmes plus simples sur les Si . e e L'exemple le plus simple est celui de factorisation des polyn^mes. Il existe d'autres exemples o comme la factorisation des groupes, la rduction des endomorphismes, la rduction des formes e e quadratiques, les probabilits produits, : : : . Ici on va s'intresser au problme de la factorisation e e e d'un espace vectoriel. Commenons d'abord par introduire la notion d'espaces vectoriels isomorc phes, c'eat--dire pratiquement identiques : a D nition 6.4. Soient E; E H des espaces vectoriels sur le m^me corps K . Une application f : e e H est appele isomorphisme d'espace vectoriel si : E 3 E e

1. f est bijective 2. Vx; xH P E f (x + xH ) = f (x) + f (xH ) 3. Vx P E; V P K

f (x) = f (x)

Pratiquement cela signi e que si on renome f (x) chaque l'lment x P E , E s'identi e a E H ee 

Proposition 8.4.
Soit E un espace vectoriel, l'application identique de E 3 E est un isomorphisme d'espace vectoriel  Si f : E 3 E H est isomophisme d'espace vectoriel, alors f 1 : E H 3 E est isomophisme d'espace vectoriel,  Soient f : E 3 E H et g : E H 3 E HH des isomorphismes d'espaces vectoriels, alors g  f : E 3 E HH est un isomorphisme d'espace vectoriel. D nition 7.4. Des espaces vectoriels E et E H sont dit isomorphes si il existe un isomorphisme e d'espace vectoriel de E vers E H
On note alors E 9 E H La proposition ci-dessus montre alors que :

Proposition 9.4. La relation "^tre isomorphe" est une relation d'quivalence sur la classe des e e espaces vectoriels sur un m^me corps K e

17 Revenons a notre problme de la factorisation d'un espace vectoriel, le point de dpart est la  e e proposition qui suit :

Proposition 10.4. Soit E1 ; E2 ; : : : ; En des espaces vectoriels sur le m^me corps K . Soit sur e E1 E2 En les lois :
((x1 ; x2 ; : : : ; xn ); (y1 ; y2 ; : : : ; yn )) 3 (x1 ; x2 ; : : : ; xn )+(y1 ; y2 ; : : : ; yn ) = (x1 +y1 ; x2 +y2 ; : : : ; xn +yn ) (E1 E2 En ) (E1 E2 En ) 3 E1 E2 En

K (E1 E2 En ) 3 E1 E2 En (; (x1 ; x2 ; : : : ; xn )) 3 :(x1 ; x2 ; : : : ; xn ): = (x1 ; x2 ; : : : ; xn ) alors (E1 E2 En ; +; :) est un espace vectoriel sur K
Preuve : On vri e les axiomes composante a composante et c'est la un premier avantage de e  la factorisation D nition 8.4. L'espace vectoriel E1 E2 En s'appel espace vectoriel produit des espaces e vectoriels Ei
Il est facile de vri er que la relation "^tre isomorphe" est compatible avec le produit d'espaces e e vectoriels. Proposition 11.4. Soient E1 ; E2 ; : : : ; En ; E H ; E H ; : : : ; E H des espaces vectoriels sur K , on a :
1 2

H H H Ei 9 EiH pour i = 1; 2; : : : ; n =A E1 E2 En 9 E1 E2 En
Soit E un espace vectoriel, F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E , en rapport avec le problme de factoriser E en produit des Fi , la premire question qui se pose est : quel sens donner e e a: 

F1 ; F2 ; : : : ; Fn sont indpendant ? e
Intuitivement cela peut vouloir dire que pour tout i, on peut itrer autant qu'on veut les lois + e et : sur j =i Fj sans que cela intersecte Fi , en terme prcis e T

Fi vect(
Examinons d'abort vect( j T=i Fj )

j T=i

F j ) = f0 g

Proposition 12.4. Soit E un espace vectoriel, F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E , on a :

vect(F1 F2 Fn ) = fx1 + x2 + + xn j x1 P F1 ; x2 P F2 : : : xn P Fn g
Preuve : On applique la caractrisation de vect(A) e

D nition 9.4. Soit E un espace vectoriel. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels de E . e On appel somme des sous espaces vectoriels F1 ; F2 ; : : : ; Fn le sous espace vectoriel :

fx

+ x2 + + xn j x1 P F1 ; x2 P F2 : : : xn P Fn g

18

On le note naturalement F1 + F2 + + Fn ou

Remarque. 1. F1 + F2 + + Fn joue le r^le oppos (dual)  F1 F2 Fn en inversant o e a l'ordre inclusion.

i=1 Fi

 F F Fn est le plus grand sous espace vectoriel de E contenu dans F ; F ; : : : ; Fn.  F + F + + Fn est le plus petit sous espace vectoriel de E contenant F ; F ; : : : ; Fn. Remarque. 2. On a une surjection canonique entre F F Fn et F + F + + Fn
1 1 2 1 2 2 1 2 1 2 1 2

(x1 ; x2 ; : : : ; xn ) 3 x1 + x2 + + xn Revenons a la question principale : Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace  vectoriel E , on souhaite donner un sens prcis au terme intuitif : les sous espaces vectoriels e F1 ; F2 ; : : : ; Fn sont indpendants. La e proposition qui suit analyse la condition Fi vect( j =i Fj ) = f0g T

Proposition 13.4. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . Il estquivalent de dire : e
1. Pour tout i = 1; 2; : : : n

Fi

j T=i Fj = f0g

2. Pour i = 1; 2; : : : ; n on a Fi (F1 + F2 + + Fi1 ) = f0g 3. V(x1 ; x2 ; : : : ; xn ) P F1 F2 Fn

x1 + x2 + + xn = 0 =A xi = 0 pour i = 1; 2; : : : ; n

4. Vx P F1 + F2 + + Fn , il existe (x1 ; x2 ; : : : ; xn ) x = x1 + x2 + + xn .

P F F Fn
1 2

unique tel que

5. La surjection canonique entre F1 F2 Fn et F1 + F2 + + Fn est un isomorphisme d'espace vectoriel.

Preuve : . Il su t de montrer que 1) =A 2) =A 3) =A 4) =A 5) =A 1).

    

1) =A 2) immdiat e 2) =A 3) car si 2) supposons pour (x1 ; x2 ; : : : ; xn ) P F1 F2 Fn on a x1 + x2 + + xn =, soit i le plus grand entier tel que xi T= 0, alors chaque xi = ij1 xj , donc 0 =1 i1 F )(= f0g), donc x = 0 contradiction, donc x = 0 pour i = 1; 2; : : : ; n. xi P Fi ( j =1 j i i 3) =A 4) car si 3). Soit x P F1 + F2 + + Fn . Supposons que x admet deux criture e H + xH + + xH avec xi ; xH P Fi , alors (x1 xH ) + (x2 xH ) + x = x1 + x2 + + xn = x1 2 n 1 2 i + (xn xHn) = 0, par 2) on a xi xHi = 0 pour tout i, soit xi = xHi pour tout i. 4) =A 5) par d nition m^me d'une bijection. e e

en dduitde manire un peu informelle mais qui montre comment exploiter la factorisation, e e  que Fi Fj = f0g j T=i

5) =A 1) car si 5), chaquei s'identi e dans F1 F2 Fn  f0gf0g f0g Fi F a f0g f0g tandit que jT=i Fj s'identi e  F1 F2 : : : Fi1 f0g Fi+1 Fn, on a

19

D nition 10.4. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . On e dit que F1 ; F2 ; : : : ; Fn sont indpendant (ou que la somme ) F1 + F2 + + Fn est directe si ils e vri ent les proprits equivalentes de la proposition ci-dessus. e ee
Une somme directe F1 + F2 + + Fn se note

F1 F2 Fn
Remarque. 1 La caractrisation 5 resoud notre problme de factorisation. e e Remarque. 2 F1 + F2 est directe si et seulement si F1 F2 = f0g : Remarque. 3 La caractrisation 2 montre que : e

F1 + F2 + + Fn directe
Exemple : Soit dans

@A b
b b X

V b b b `

F1 + F2 directe (F1 + F2 ) + F3 directe . . . (F1 + F2 + + Fn1 ) + Fn directe

R3 les sous espaces vectoriels

 F = (x; y; z) P R j x + y + z = 0  F H = vect(1; 1; 1)
3

 v P F @A x + y + z = 0  v P F H @A W P R tel que (x; y; z) = (1; 1; 1)

Cherchons si F + F H est directe. Soit v = (x; y; z ) P F

F H, on a :

x + y + z = 0 =A  +  +  = 0 =A 3 = 0 =A  = 0 =A x = y = z = 0 Donc F F H = f0g, donc F + F H est directe.

5 Espace vectoriel quotient


Conjointement au problme de la factorisation d'une structure, se pose le problme de quotionter e e (ou projeter) une stucture. Il s'agit de diviser les ensembles intervenant dans la struture, en classes (donc disjointes), de sorte que les lments d'une m^me classe possdent un m^me comportement ee e e e vis--vis a la structure (penser a la projection d'un lm sur un plan, ce que l'on voit sur le plan a   re te dlement une sne a 3 dimension). La formulation prcise de ce problme est simple : e e e  e e Trouver sur chaque ensemble intervenant dans la structure, une relation d'quivalence compatible e avec la structure.

D nition 11.5. Soit E un espace vectoriel. Une relation binaire R sur E est dite compatible e avec la strucure d'espace vectoriel de E si :

Vx; y; xH; yH P E xR y et xHR yH =A (x + xH)R (xH + yH) Vx; y P E V P K xR y =A (x)R (y)

20

Proposition 14.5. Soit E un espace vectoriel. Pour qu'une relation binaire R sur E , soit une relation d'quivalence sur E compatible avec la sturcture d'espace vectoriel de E , il faut et il suf e qu'il existe un sous espace vectoriel F de E tel que

Vx; y P E xR y @A x y P F Preuve : . Posons F = fx P E j xR 0g. On vri e que F est sous espace vectoriel de E . On a e
xR y @A (x y)R 0 @A x y P F Inversement si F est un sous espace vectoriel de E , on vri e que la relation binaire x y P F e est une relation d'quivalence compatible avec la structure d'espace vectoriel de E e
Remarque. Le sous espace vectoriel F associ  R par la proposition ci-dessus est unique. Pour ea cette raison on note E=F l'ensemble quotient E=R Proposition 15.5. Soit E un espace vectoriel , F un sous espace vectoriel de E . La relation x y P F tant une relation d'quivalence compatible avec la structure d'espace vectoriel de E , cela e e indui sur l'ensemble quotient E=F les lois :
(; x) P K E=F (x; y ) 3 x + y = x + y

3 x = x

pour lesquelles (E=F; +; :) est un espace vectoriel sur K .

D nition 12.5. L'espace vectoriel E=F s'appel espace vectoriel quotient de l'espace vectoriel E e par son sous espace vectoriel F:
La proposition qui suit un certain lien du quotient d'espaces vectoriels avec le produit d'espaces vectoriels. Proposition 16.5. Soit E = F F H une somme directe. L'application

x P F H 3 x P E=F est un isomorphisme d'espace vectoriel.


Preuve : . L'application est injectif car (cf x8 suivant ) si x = 0, on a x P F , donc x P F F H , donc x = 0. L'application est surjective, car soit x P E=F , ecrivone x = x1 + x2 avec x1 P F et x2 P F H , on a x = x2 car x1 = 0 Remarque. On a E = F F H , par la proposition 13.4 on E 9 F F H , par la proposition ci-dessus F H 9 E=F , par la proposition 11.4, on en dduit que : e

E 9 F E=F

6 Indpendace linaire e e
Soit E un espace vectoriel. On a vu que la factorisation de E consiste a trouver des sous espaces  vectoriels F1 ; F2 ; : : : ; Fn de E tel que :

E = F1 F2 Fn

21 Plus les sous espace vectoriel Fi sont petits, mieux est la factorisation, la meilleure factorisation est Fi = vect(vi ) avec vi T= 0 (les facteurs de la forme f0g n'apporte rien d'intrssant). Comment ee se re tent l'indpendance des Fi sur les vecteurs vi ? Autrement dit tant donns des vecteurs e e e e v1 ; v2 ; : : : ; vn de E a quelle condition la somme

vect(v1 ) + vect(v2 ) + + vect(vn )


est directe ? La rponse est done par : e e

Proposition 17.6. Soit E un espace vectoriel. Soit = (vi )iPI un systme de E , Il est quivalent e e de dire :
1. Chaque vi est T= 0 et la somme 3. V(i )iPI

2. Pour tout i P I on a vi P vect(vj )j T=i =

i vect(vi )

est directe

PK I

( )

Preuve : . Preuve : Si est libre, une relation i i vi = 0 avec un i T= 0 entraine vi =  1   jT=i j vj , donc vi P vect (fvj j j T= ig). Inversement si i ivi = 0 =A Vi P I i = 0 i alors est libre, car sinon, existe un i tel que vi P vect (fvj j j T= ig), soit vi = j T=i j vj , donc il on aurait une relation vi j T=i j vj = 0 avec i = 1 T= 0

( i i vi = 0 =A Vi P I i = 0)

D nition 13.6. Soit = (vi )iPI un systme de E , on dit que les vi sont linairement indpendants e e e e (ou que est libre ), si il vri ent les condition quivalente de la proposition ci-dessus Dans le e e cas contraire est dit li . e
Par abus, on dit qu'un sous ensemble A d'un espace vectoriel est libre (resp li) si le systme e e (a)aPA est libre (resp li). e

Remarque. 1 Le plus souvent c'est la condition 3. qui est la plus pratique  vri er. a e Remarque. 2. Si = (v1 ; v2 ; : : : ; vn ) est ni. La condition libre equivaut  a

relation i i vi = 0 est un systme linaire en i , montrer que ce systme a une solution unique e e e e e i = 0 Vi P I , revient  resoudre rigouresement le systme linaire. C'est l'une des raisons pour a lequels nous avons commenc ce chapitre, par les systmes linaires e e e
Voici des proprits immdiates de la notion d'indpendance linaire ee e e e

V( ;  ; : : : ; n) P K n ( v + v + + nvn = 0 =A  =  = = n = 0) Remarque. 3. Soit = (vi )iPI un systme de E libre, si et seulement si la relation i i vi = 0 e a une solution unique i = 0 pour tout i P I . En fait si on ecrit explicitement les vecteurs vi , la
1 2 1 1 2 1 2

 Y est libre  Si L est libre et LH & L, alors LH est libre.  Si L est libre et x P E , on a L fxg libre @A x P vect(L) =

22

   

Tout systme contenant 0 est li. e e Si dans un systme, un vecteur est rpt, le systme est li. e e ee e e Si dans un systme, deux vecteurs sont proportionnels, le systme est li. e e e Soit dans un K n un systme a deux lments e  ee

= (x ; x ; : : : ; xn) ; xH ; xH ; : : : ; xHn
1 2 1 2

avec si xHi = 0 xi = 0

x est li @A xH e

x x = H2 = = n x2 xHn

De cette caractrisation il vient immdiatement : e e

 

Le systme ((1; 2; 3; 0); (2; 4; 6; 0)) est li. e e Le systme ((1; 2; 3; 1); (2; 4; 6; 0)) est libre. e

Exemples :

Dans K n , le systme e ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est libre car

1 (1; 0; 0; : : : ) + 2 (0; 1; 0; : : : ) + = (0; 0; : : : ; 0)


quivaut a e  [suite] (1 ; 2 ; : : : ; n ) = (0; 0; : : : ; 0)

 Dans K [X ], le systme (X n)nPN est libre. e  Dans K (X ), le systme des lments simples est libre (ct chapitre 3). e ee  E = R et = ((1; 1; 2); (1; 1; 1); (2; 1; 1))  (1; 1; 2) +  (1; 1; 1) +  (2; 1; 1) = 0 @A ( +  + 2 ;  +  +  ; 2   ) = (0; 0; 0)
3 1 2 3 1 2 3 1 2 3 1 2 3

Donc

1 (1; 1; 2) + 2 (1; 1; 1) + 3 (2; 1; 1) = 0 V ` 1 + 2 + 2 3 = 0 @A X 1 + 2 + 3 = 0 21 2 3 = 0

23

@A X @A X @A X @A X @A X @A X
V ` V ` V ` V ` V `

V `

1 + (1 3 ) + 23 = 0 2 = 1 3 ()(1) 21 (1 3 ) 3 = 0 3 = 0 2 = 1 3 31 = 0


()(1)

1 + 2 + 23 = 0 2 = 1 3 ()(1) 2 1 2 3 = 0

3 = 0 ()(2) 2 = 1 3 ()(1) 31 = 0 3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)

3 = 0 ()(2) 2 = 1 3 ()(1) 1 = 0 ()(3)


V `

@A X 
Donc est libre.

3 = 0
=0 1 = 0
2

()(2) ()(1) ()(3)

Montrons directement que le systme e




; ; X 1 X 2 X 3 b c

est libre dans R(X ) On a

X 1

X 2

X 3

=0

@A a(X 2)(X 3) + b(X 1)(X 3) + c(X 1)(X 2) = 0 @A a(X 5X + 6) + b(X 4X + 3) + c(X 3X + 2) = 0


2 2 2

@A (a + b + c)X (5a + 4b + 3c)X + 6a + 3b + 2c = 0


2

@A X

V `

a+b+c=0 5a + 4 b + 3 c = 0 6a + 3 b + 2 c = 0

24

@A X

V `

@A X @A X @A X @A X @A X
V ` V ` V ` V `

V `

a = b c ()(1) 5(b c) + 4b + 3c = 0 6(b c) + 3b + 2c = 0 a = b c ()(1) b 2c = 0 3b 4c = 0

a = b c ()(1) b = 2c ()(2) 2c = 0 a = b c ()(1) b = 2c ()(2) c=0 ()(3)

a = b c ()(1) b = 2c ()(2) 3(2c) 4c = 0

@A X
7 Gnrateurs linaires e e e

V `

a = b c ()(1) b=0 ()(2) c=0 ()(3) a=0 b=0 c=0


()(1) ()(2) ()(3)

Remarque. Soit = (vi )iPI un systme d'un espace vectoriel E , on peut aussi caractriser le fait e e que est libre, par pour tout x P E , la relation

x=

i vi

admet au plus une solution. On obtiendrait une notion oppose (duale) de la notion de libre e en inversant l'ordre dans R. pour tout x P E , la relation

x=

admet au moins une solution. Cela conduit  la notion importante de systme gnrateur. a e e e

i vi

D nition 14.7. Soit = (vi )iPI un systme d'un espace vectoriel E . On dit que est gnrateur e e e e si pour tout x P E , la relation

x=
admet au moins une solution (i )iPI

PK I

i vi

( )

25 Autrement dit E = vect fvi j i P I g Par abus, on dit qu'une partie B de E est un gnrateur de E , si le systme (b)bPB est un e e e gnrateur de E . e e Voici les proprits immdiates de la notion de gnrateur : ee e e e

 E est gnrateur. e e  Soit G un gnrateur et x P E , on a : e e


G n fxg generateur
Cette proprit est la proprit duale de 5 ee ee

@A x P vect(G)

Pour toute partie A d'un espace vectoriel, A est un gnrateur de vect(A) e e

La proposition qui suit donne un critre pratique pour vri er si un systme est gnrateur. e e e e e

Proposition 18.7. Soit q un gnrateur d'un espace vectoriel E . Soit un systme de E . Si tout e e e lment de q est combinaison linaire d'lments de , alors est gnrateur. ee e ee e e

, il sut de le vri er pour les lments d'un gnrateur. e ee e e

Autrement dit au lieu de vri er si tout lment de E est combinaison linaire d'lments de e ee e ee

Preuve : . On a q & vect( ), donc vect(q )(= E ) & vect( )


Exemples :

Dans K n , le systme e ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est gnrateur car tout (x1 ; x2 ; : : : ; xn ) P K n s'crit e e e (x1 ; x2 ; : : : ; xn ) = x1 (1; 0; 0; : : : ) + x2 (0; 1; 0; : : : ) + : : :

 

Dans K [X ], le systme (X n )nPN est gnrateur. e e e Dans K (X ), le systme des lments simples est gnrateur. e ee e e

26

Dans R2 le systme ((1; 1); (1; 2); (1; 1)) est gnrateur car soit (a; b) P R2 , cherchons si le e e e systme e (a; b) = 1 (1; 1) + 2 (1; 2) + 3 (1; 1) admet au moins une solution (1 ; 2 ; 3 ) P R3 On a (a; b) = 1 (1; 1) + 2 (1; 2) + 3 (1; 1)

 + @A  2  = ab + = &  + @A  2  = ab + = &  +  + a @A ( =+  + a) 2 + ()(1)b = & a ( @A  =3 +  += b a)(1)  +2 & =  a )(1) @A  = (b a+ 3+)=2 ()(2) + ( & =  a )(1) @A  = (b a+ 3+)=2 ()(2) + ( & 2 + )= 2 ( @A  ==(b=+ (b 3a)=2; ()(1) a+ )(2) & 2 + )= 2 ( @A  ==(b=+ (b 3a)=2; ()(1) a+ )(2)
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 2 3 2 3 1 2 3 2 3 1 2 3 3 2 1 2 3 3 2 1 2 3 2 1 2 3 2

&

Donc le systme admet une in nit de solution e e

f( =2 + (b + a)=2;  ; (b a + 3 )=2) j  P Rg


2 2 2 2

Donc ((1; 1); (1; 2); (1; 1)) est gnrateur. e e

8 Base et dimension d'un espace vectoriel


8.1 Base d'un espace vectoriel
Soit E un espace vectoriel.
( )

= (vi)iPI un systme de E , on a vu que : e  libre si et seulement si pour tout x P E , la relation x = i ivi admet au plus une solution ( i ) P K I  gnrateur si et seulement si pour tout x P E , la relation x = i ivi admet au moins une e e solution (i ) P K I
( )

Il en rsulte aussit^t : e o

Proposition 19.8. Soit E un espace vectoriel.

un systme de E , il est quivalent de dire : e e

27

1. Tout lment de E s'crit de faon unique comme combinaison linaire d'lments de . ee e c e ee 2.

est  la fois libre et gnrateur. a e e

D nition 15.8. Soit E un espace vectoriel. On appel base de E tout systme de E qui vri e les e e e conditions quivalente de la proposition ci-dessus. e
Par abus, on dit qu'une partie B de E est une base de E , si le systme (b)bPB est une base de e E . (Autrement dit si B est a la fois libre et gnrateur).  e e Voici les proprits immdiates de la notion de base : ee e

  

Soit L une partie libre d'un espace vectoriel, alors L est une base de vect(L) Soient B; B H des bases d'un espace vectoriel, on a B & B H =A B = B H (en e et si x P B H n B on aura x P vect(B ) et B fxg libre, contradiction) Si un espace vectoriel E admet un gnrateur ni, alors toute les bases de E sont nies (donc e e toutes les parties libres sont nies) (en e et si G est un gnrateur ni de E et B base de e e E , soit B1 les lments de B intervenant dans l'criture des lments G comme combinaison ee e ee linaire d'lments de B , comme G est ni, B1 est ni, par le crytre 18.7 B1 est gnrateur, e ee e e e comme il est libre, c'est une base, comme B1 & B , on a B = B1 nie ) Dans K n , le systme ((1; 0; 0; : : : ); (0; 1; 0; : : : ); : : : ; (0; 0; : : : ; 0; 1)) est a la fois libre et gnrateur, e  e e n . (On l'appel la base canonique de K n ). donc base de K Si L est une partie libre d'un espace vectoriel, c'est une base de vect(L) Dans K [X ], le systme (X n )nPN est une base. e Dans K (X ), le systme des lments simples est une base. e ee Dans R3 le systme ((2; 1; 3); (1; 4; 1); (2; 7; 1)) est une base car, soit (a; b; c) P R3 , mone trons que le systme e (a; b; c) = 1 (2; 1; 3) + 2 (1; 4; 1) + 3 (2; 7; 1) a une solution et une seule.

Exemples :

    

On a (a; b; c) = 1 (2; 1; 3) + 2 (1; 4; 1) + 3 (2; 7; 1)

@A X
V `

V `

+ 2 + 23 = a 1 + 42 + 73 = b 31 2 + 3 = c


1 1 2 3

2

2 +  + 2 = a @A X  + 4 + 7 = b 3  +  = c
1 2 3 1 2 3

28

2 +  + 2 = a @A X  + 4 + 7 = b  = 3 +  c ()(1)
1 2 3 1 2 3 2 1 3

V `

@A X

V `

+ (31 + 3 c) + 23 = a 1 + 4(31 + 3 c) + 73 = b 2 = 31 + 3 c ()(1)


1

2

@A X 13 @A X 13 @A X
V ` V ` V `

V `

1 + 33 = a + c 1 + 83 = b + c 2 = 31 + 3 c

()(1)

1 = a + c 33 ()(2) 1 + 83 = b + c 2 = 31 + 3 c ()(1)

1 = a + c 3 3 ()(2) 13(a + c 33 ) + 83 = b + c 2 = 31 + 3 c ()(1) 1 = a + c 33 ()(2) = b 12c 13a 3 2 = 31 + 3 c ()(1)

@A X 31 @A X  @A X
V ` V ` V `

1 = a + c 33 ()(2) ()(3) 3 = (b + 12c + 13a)=31 2 = 31 + 3 c ()(1)


()(2)

1 = a + c 3((b + 12c + 13a)=31) 3 = (b + 12c + 13a)=31 ()(3) 2 = 31 + 3 c ()(1) 1 = (8a)=31 (5c)=31 + (3b)=31 ()(3) 3 = (b + 12c + 13a)=31 2 = 31 + 3 c ()(1)

@A X 
V b b ` b X

()(2)

@A b

1 = (8a)=31 (5c)=31 + (3b)=31 ()(2) 3 = (b + 12c + 13a)=31 ()(3) 2 = 3((8a)=31 (5c)=31 + (3b)=31) +((b + 12c + 13a)=31) c ()(1)

29
V `

@A X

1 = (8a)=31 (5c)=31 + (3b)=31 ()(2) 3 = (b + 12c + 13a)=31 ()(3) 2 = (11a)=31 + (2b)=31 (24c)=31 ()(1)
((2; 1; 3); (1; 4; 1); (2; 7; 1))

Le systme a une solution unique, donc e est une base de R3 . Les deux thormes qui suivent jouent un r^le fondamental en algbre linaire. e e o e e

8.2 Thorme de la base incomplte e e e


Thorme 1.8. ( Thorme de la base incomplte ) Soit E un espace vectoriel. Soit L une partie e e e e e libre de E et soit G une partie gnrateur de E , il existe GH & G tel que L GH est une base de E . e e
Pratiquement ce thorme veut dire que l'on peut complter de proche en proche, L par des lments e e e ee de G jusqu' obtenir une base de E . Nous montrerons que ce processus est ni si E a un gnrateur a e e ni. Nous dmontrons ce thorme sous l'hypothse que E a un gnrateur ni, la preuve dans le e e e e e e cas gnral fait appel a un lemme de thorie des ensemble qui n'a pas t vu en semestre 1, a savoir e e  e ee  le lemme de Zorn.

Preuve du thorme : Soit Go un gnrateur ni de E , Soit G1 les vecteurs gurant dans e e e e les dcompositions des lments de Go comme combinaison linaire d'lment de G. Comme Go est e ee e ee ni, G1 est ni. Par le crytre des gnrateurs 18.7 G1 est gnrateur. Il sut alors de dmontrer e e e e e e H & G1 tel que L GH est libre et jGH j le thorme pour G1 qui est gnrateur ni de E . Soit G e e e e maximum. Soit g P G1 , si g P vect(L GH ), alors L GH fg g est libre, de plus g P GH (puisque = = g P vect(L GH )), donc jGH fggj = jGH j +1 > jGH j, ce qui conterdit jGH j maximum. Donc pour tout = g P G1 , on a g P vect(L GH ), toujours par le crytre des gnrateurs 18.7, L GH est gnrateur. e e e e e Comme il est libre par construction, c'est une base de E
Comme consquences immdiates du thorme ci-dessus, on obtient : e e e e

  

Tous systme libre se complte a une base (prendre G = E ). e e  Tous systme gnrateur contient une base (prendre L = Y). e e e Tout espace vectoriel admet une base (prendre L = Y et G = E ).

Exemple :

30 Dans R3 le systme ((1; 1; 0); (1; 1; 0)) est libre. On peut donc le complter par des vecteurs de e e la base canonique ((1; 0; 0); (0; 1; 0); (0; 0; 1)) et obtenir une base de R3 . On vri e que les systmes e e ((1; 1; 0); (1; 1; 0); (1; 0; 0)) ((1; 1; 0); (1; 1; 0); (0; 1; 0)) sont lis et que e est libre. donc la base cherche est e ((1; 1; 0); (1; 1; 0); (0; 0; 1)) . ((1; 1; 0); (1; 1; 0); (0; 0; 1))

8.3 Thorme de la dimension e e


Le deuxime thorme fondamental de l'algbre linaire est le thorme suivant : e e e e e e e

Thorme 2.8. ( Thorme de la dimension) Soit E un espace vectoriel. B et B H des bases de e e e e E . On a :

jB j = B H 
Nous dmontrons ce thorme sous l'hypothse que E a un gnrateur ni, la preuve dans le e e e e e e cas gnral fait appel a au lemme de Zorn . e e  On aura besoin du lemme suivant :

Lemme. Soit E un espace vectoriel. Soit L une partie libre de E , G un gnrateur de E . Soit e e H P G tel que x P L , il existe x (L n fxg) xH est libre et xH P L n fxg = Preuve : . Si tout xH P G appartient  vect(L n fxg), par le critre des gnrateurs 18.7 L n fxg a e e e serait gnrateur, donc x P vect(L n fxg) ce qui conterdit L libre, donc il existe xH P G tel que e e xH P vect(L n fxg), par une proprit immdiate des partie libre, (L n fxg) fxH g est libre et on a = ee e xH P L n fxg car xH P vect(L n fxg) = = Preuve du thorme : Supposons que E admet un gnrateur ni. Soit L une partie libre e e e e de E et B une base de E , montrons que jLj jB j, il en resulterait que jB H j jB j et jB j jB H j donc jB j = [B H [. Pour montrer que jLj jB j on procde par recurrence sur jLj jL B j, par une e proprit immdiate des bases, L et B sont nies. Si jLj jL B j = 0 alors jLj = [L B [ jB j, ee e supposons jLj jL B j > 0, il existe alors x P L n L B , par le lemme il existe xH P B tel que (L nfxg) fxH g est libre et xH P L nfxg, alors xH P L B car comme x P L B on a L B & L nfxg. = = = Posons LH = (L n fxg) fxH g, alors LH B = ((L n fxg) B ) (fxH g B ) = (L B ) fxH g, donc jLH B j = jL B j + 1 et on a jLHj = [L[ (car xH P L n fxg), donc jLHj jLH B j = jLj jL B j 1, = H j `jB j, donc jLj `jB j par l'hypothse de rcurrence jL e e D nition 16.8. Soit E un espace vectoriel. Le cardinal d'une base de E s'appel dimension de e l'espace vectoriel E

31 On la note dim(E)
Exemples :

    

dim(K n ) = n
L'espace vectoriel trivial f0g a pour base l'ensemble vide Y et donc :

dim(f0g) = 0
Si L est une partie libre d'un espace vectoriel, dim(vect(L)) = jLj On a vu qu'une base de K [X ] est (X n )nPN , par suite :


dim(K [X ]) = jNj X n;
(X )m nPN; PC;mPN(m!1) 1


On vu qu'une base de C [X ] est

, par suite :

dim(C(X )) = jNj + jCj jN n f0g j = jCj = jRj jRj = jRj


(car si a; b sont des cardinaux in nis, avec a

b, on a a + b = a b = b )

Consquences immdiates des thormes 1.8 et 2.8 e e e e


Soit E un espace vectoriel de dimension nie n

   

Tout systme libre a au plus n lment (tout systme qui a strictement plus que n lments e ee e ee est li) e Tout systme libre qui a n lments est une base. e ee Tout systme gnrateur a au moins n lments. (tout systme qui a strictement moins que e e e ee e n lments est non gnrateur) ee e e Tout systme gnrateur qui a n lments est une base. e e e ee

Avec ces proprits on peut rapidement rpondre si les systmes suivants sont libre, lis, ee e e e gnrateur ou base : e e

 E = R , ((1; 1; 0); (1; 1; 4); (0; 7; 8); (1; 1; 1)) libre ou li ? e  E = R , ((1; 1); (1; 1)) base ?  E = R , ((1; 5; 5; 7); (8; 4; 7; 2); (5; 1; 1; 2)) gnrateur ? e e
3 2 4

Remarque.

Dans un espace vectoriel de dimension nie n, si un systme a n lments, pour montrer que e ee ce systme est une base il sut de montrer qu'il est libre ou gnrateur. e e e

32

Dans l'exemple qui suit la d nition 15.8, il susait de vri er que le systme e e e
((2; 1; 3); (1; 4; 1); (2; 7; 1))

est libre (ou gnrateur) e e

Dans un espace vectoriel de dimension nie, le processus de compltition de proche en proche e s'arrte ncessairement, car sinon on construirait un systme libre in ni. e e e

8.4 Classi cation des espaces vectoriels


En science naturelle se pose le problme de classi er (numrer) tous les spces d'un tre vivant e e e e e e ayant une proprit donne. En mathmatique il se pose un problme analogue de classi er ( ee e e e a isomorphisme prs) tous les espces d'une structure donne S . En terme prcis le problme revient e e e e e a: 

 

Determiner un ensemble E dont les lments vri ent la structure S ee e Chaque objet mathmatique qui vri e la structure est isomorphe a un et a un seul lment e e   ee de E (en particulier les lments de E sont deux a deux non isomorphes ) ee 

Pour la structure d'espace vectoriel, le problme de la classi cation est relativement facile (Il e n'on est rien de loin dans le cas des groupes nis par exemple), la proposition qui suit resoud le problme de classi cation des espaces vectoriels : e Proposition 20.8. (Classi cation des espaces vectoriels sur K ) Soient E et E H des espaces vecto-

riels sur le m^me corps K . On a e


En consquence on a e

E 9 E H @A dim(E ) = dim(E H )

 Si n T= m, K n et K m ne sont pas isomorphes.  dim(E ) = n @A E 9 K n


K n (n P N
L'ensemble des prototypes E des espaces vectoriels de dimension nie est donc form des e n ! 1)

est un isomorphisme d'espace vectoriel

Preuve de la proposition : Si E 9 E H soit f : E 3 E H un isomorphisme d'espace vectoriel. Soi B = (ei )iPI une base de E , soit B H = (f (ei ))i, montrons que B H est une base de E H . Soit y P E H , PI il existe x P E tel que y = f (x), crivons x = i ei , alors y = f (x) =( i xi ei ) = i xi f (ei ), e f ix donc B H est gnrateur de E H . B H est libre car si i xi f (ei ) = 0, alors f ( i xi ei ) = 0 = f (0), donc e e xi ei = 0, donc xi = 0 pour tout i P I ,. Par suite dim(E H ) = jI j = dim(E ). Inversement si i dim(E ) = dim(E H ), soient B et B H des bases respectives de E et E H , a donc jB j = jB H j, soit on H une bijection, pour x P E , x = f : B 3 B xi ei , posons f (x) = i xi f (ei ), on vri e que f e i

33

8.5 Base et dimension des solutions d'un systme linaire e e


Dans la proposition 4.3, nous avons vu que l'ensemble des solutions d'un systme homogne est un e e espace vectoriel. Trouvons une base et la dimension de cet espace vectoriel.

Proposition 21.8. Soit S un systme linaire homogne. Supposons qu'une rsolution de S a e e e e e conduit  xj1 ; xj2 ; : : : ; xj comme paramtres. Soit sk la solution obtenus en prenant xj = 1 et a xj = 0 pour i T= k, alors (s1 ; s2 ; : : : ; st ) est une base de l'ensemble des solutions de S , et la solution gnrale de S s'crit e e e
t k i

s=

t k=1

xj sk
k

Corollaire. Soit S un systme linaire homogne. Supposons qu'une rsolution de S a conduit e e e e  xj1 ; xj2 ; : : : ; xj comme paramtres, alors l'espace vectoriel S des solutions de S , vri e : a e e
t

dim(S ) = t

(= nombre des parametres)

Pour un systme non homogne il faut modi er lgerement cette proposition ; e e e

Proposition 22.8. Soit S un systme linaire possible. Supposons qu'une rsolution de S a e e e conduit  xj1 ; xj2 ; : : : ; xj comme paramtres. Soit so la solution obtenue en posant a e
t

xj1 = xj2 = = xj = 0
t

Soit so + sk la solution obtenus en prenant xj = 1 et xj = 0 pour i T= k, alors la solution gnrale e e de S s'crit de faon unique : e c
k i

s = so +
Exemples :

t k=1

xj sk
k

Soit le systme e

&

x+yz =1 xz =5
&

x+yz =1 xz =5
&

( + z @A xz= z5) + y (= 1 +5 )(1) ()(1)

&

@A 5 + yz = 1 x= +5
&

y 4 @A x = + 5 ()(2) =z ()(1)
La solution gnrale s'crit donc : e e e

s = (z + 5; 4; z ) = (5; 4; 0) + z (1; 0; 1)

zPK

34

Soit le systme trouver (x; y; z ) P K 3 tel que x + 5y = 3. On a : e

x + 5y = 3 @A x = 3 5y
Donc la solution gnrale s'crit : e e e

( )

s = (3 5y; y; z ) = (3; 0; 0) + y(5; 1; 0) + z (0; 0; 1)

8.6 Base et dimension d'une somme directe


Cherchons maintenant une base et la dimension d'une somme directe. On a

Proposition 23.8. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E . Soit Bi une base de Fi , alors B1 B2 Bn est un gnrateur de F1 + F2 + + Fn , c'est une base e e avec Bi Bj = Y pour i T= j si et seulement si F1 + F2 + + Fn est directe.
Il rsulte de cette proposition qu'tant donn Bi e e e libre, et si Bi Bj = Y pour i T= j , alors la somme est directe.
Exemple : Soi

& E i = 1; 2; : : : ; n, si B B Bn est
1 2

vect(B1 ) + vect(B2 ) + + vect(Bn ))

B = (e1 ; e2 ; e3 ; e4 ) une base de R4 . Posons

F F F

1 2 3

= vect(e1 ) = vect(e2 ; e3 ) = vect(e4 )

alors F1 + F2 + F3 est directe.

Corollaire. Soient F1 ; F2 ; : : : ; Fn des sous espaces vectoriels d'un espace vectoriel E de dimension nie. On a

dim(F1 + F2 + + Fn ) dim(F1 ) + dim(F2 ) + + dim(Fn ) avec l'galit si et seulement si la somme est directe. e e
D nition 17.8. Soit F un sous espace vectoriel d'un espace vectoriel E . On appel supplimentaire e de F dans E tout sous espace vectoriel F H de E tel que :

E = F FH
De cette d nition il rsulte immdiatement que ; e e e

 f0g et E sont supplmentaires l'un de l'autre e

35

Si F F H est une somme directe, soit E1 = F supplmentaires l'un de l'autre. e

F H, dans l'espace vectoriel E , F


1

et F H sont

Il rsulte du thorme 1.8 (thorme de la base incomplte) et de la proposition 23.8 que e e e e e e

Proposition 24.8. Tous sous espace vectoriel d'un espace vectoriel E admet un supplimentaire dans E . Preuve : . Soit B1 une base de F , on complte B1 a une base B1 B H de E , (B H B1 ) = Y. Soit e H = vect(B H ). Comme B1 B H est libre et (B H B1 ) = Y, la somme F + F H est directe. Comme F B1 B H est gnrateur de F + F H (cf proposition 23.8), on a F + F H = vect(B1 B H ) = E e e
Comme consquences immdiates de la proposition ci-dessus on a : e e

Proposition 25.8. Soit F un sous espace vectoriel d'un espace vectoriel E

 dim(F ) dim(E )  Si E est de dimension nie, on a :


dim(F ) = dim(E ) =A F = E
Proposition 26.8. Soit E un espace vectoriel de dimension nie. F un sous espace vectoriel de E . On a

dim(E=F ) = dim(E ) dim(F )


Preuve : Soit F H un sous espace vectoriel supplmentaire de F , on a dim(E ) = dim(F ) + e H ), et par la proposition 16.5 F H 9 E=F dim(F

8.7 Rang d'un systme de vecteur e


D nition 18.8. Soit E un espace vectoriel. Soit S = (vi )iPI une famille d'lments de E e ee (systme de E ). On appel rang du systme S a dimension du sous espace vectoriel vect(S ) e e engendr par S e
On le note rang (S ) Par abus on appel aussi rang d'une partie A de E , le rang du systme (a)aPA , donc e

rang(A) = dim(vect(A))
Remarque. Pour le calcul du rang d'un systme S , il est inutile de considrer tout l'espace e e vect(S ), il sut (par le thorme de la base incomplte) de chercher un sous systme de S e e e e minimal qui engendre tous les lments de S ee

36

Proposition 27.8. Soit E un espace vectoriel de dimension nie. S = (v1 ; v2 ; : : : ; vn ) un systme e de E . Soit le systme linaire e e

x1 v1 + x2 v2 + : : : xn vn = 0 Supposons qu'une rsolution de ce systme linaire a conduit  xi1 ; xi2 ; : : : ; xi comme inconues e e e a limines et xj j T= ik comme paramtres, alors (vi1 ; vi2 ; : : : ; vi ) est une base de vect(S ), en e e e e particulier rang(S ) = r. De plus ecrivons les xi en fonction des paramtres
r r k

xi =
k

xj

parametre r k=1

akj xj

alors

vj =

akj vi

Remarque. La deuxime relation revient  dire qu'on obtient l'expression des vj (tel xj paramtre) e a e en lisant verticalement (les colonnes) la premire relation et en multipliant par -1 l'expression e obtenue.
Exemples :

1. S = ((1; 2); (4; 5); (6; 7))

x1 (1; 2) + x2 (4; 5) + x3 (6; 7) = 0 @A


&

&

x1 + 4x2 + 6x3 = 0 2x1 + 5x2 + 7x3 = 0

x1 + 4x2 + 6x3 = 0 2x1 + 5x2 + 7x3 = 0


2 3 2 3 2 3

x = x ( )(1) @A 2(4x 4 6 6x 5x +7x = 0 x )+


1

&

= x @A x 3x 45x 6x =0
1 2 2 3

&

()(1)

@A x x
&

&

= 4x2 6x3 ()(1) ()(2) 2 = 5x3 =3


1

@A x x

= 2x3 =3 2 = 5x3 =3
1

()(1) ()(2)

Par la proposition (v1 ; v2 ) est une base et on a

v3 = 2v1 =3 + 5v2 =3
Ce que l'on peut vri er directement. e

37
S = ((1; 2; 1); (4; 1; 7))

x1 (1; 2; 1) + x2 (4; 1; 7) = 0 @A x1 = x2 = 0
On retrouve que ((1; 2; 1); (4; 1; 7)) est libre. 2. S = ((1; 2; 2); (1; 1; 0); (3; 3; 4))

x1 (1; 2; 2) + x2 (1; 1; 0) + x3 (3; 3; 4) = 0

@A X 2x x @A X
V ` V `

V `

x1 + x2 + 3x3 = 0 1 2 + 3x3 = 0 2x1 + 4x3 = 0

x1 + (2x1 + 3x3 ) + 3x3 = 0 x2 = 2x1 + 3x3 ()(1) 2x1 + 4x3 = 0 x1 = 2x3 ()(2) ()(1) 2 = 2x1 + 3x3 2x1 + 4x3 = 0 x1 = 2x3 ()(2) = 2x1 + 3x3 ()(1) 2 x1 = 2x3 2 = x3
()(2) ()(1)

@A X x @A X x
V ` V `

0=0

@A X x
Donc (v1 ; v2 ) est une base, et

0=0

v3 = 2v1 + v2

9 Applications linaires et Matrices e


Soit E et E H des espaces vectoriels sur K , les applications E 3 E H les plus intressantes sont celles e qui sont compatibles avec les structures d'espace vectoriel de E et E H . D nition 19.9. Soit E et E H des espaces vectoriels sur K , Une application f : E 3 E H est dite e

9.1 Applications linaires e

linaire si : e

Vx; xH P E f (x + xH) = f (x) + f (xH) Vx P E V P K f (x) = f (x)

38

On note L (E; E H ) l'ensemble des applications linaires de E 3 E H . e

Remarque. On peut grouper les deux conditions de la linairt en une seule  savoir : e e a

Vx; xH P E V ; P K
ou encore :

f ( x + xH ) = f (x) + f (xH ) f (x + xH ) = f (x) + f (xH )

Vx; xH P E V P K

Soit f : E 3 E H linaire. Comme consquences immdiates de la linarit, on a e e e e e

 f (0) = 0.  Vx P E f (x) = f (x).  Vx P E Vn P Z f (nx) = nf (x).  Soit f : E 3 E H linaire. Soit : e

i vi

une combinaison linaire d'lments de E , on a : e ee

f(

i vi ) =

i f (vi )

Exemples :

1. Soit f : R2 3 R3

(x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y )

f ( (x; y) + (xH ; yH )) = f (( x + xH ; y + yH ))
= (( x + xH ) + 2( y + y H ); 3( x + xH ) + 5( y + y H ); (7)( x + xH ) + 11( y + y H )) = (x + 2y; 3x + 5y; 7x + 11y ) + (xH + 2y H ; 3xH + 5y H ; 7xH + 11y H ) = f ((x; y )) + f ((xH ; y H ))

39 2. Soit E l'ensemble des polyn^mes de K [X ] de degr o e 2. Soit

f : E 3 E
, .

3 XP (X + 2) (X 1)P (X 3)
f ( P + Q)

VP; Q P E V ; P K

= X ( P + Q)(X + 2) (X 1)( P + Q)(X 3) = X ( P (X + 2) + Q(X + 2)) (X 1)( P (X 3) + Q(X 3)) = (XP (X + 2) (X 1)P (X 3)) + (XQ(X + 2) (X 1)Q(X 3)) = f (P ) + f (Q)

Proposition 28.9.

   

Soient f; g : E 3 E H linaires, alors f + g : E 3 E H est linaire. e e Soient f : E 3 E H linaire, P K , alors f : E 3 E H est linaire. e e Soit f : E 3 E H et g : E H 3 E HH linaire, alors g  f : E 3 E HH est linaire. e e Soit f : E 3 E H linaire bijective, alors f 1 : E H 3 E est linaire. e e

Les deux premires proprits montrent que : e ee Proposition 29.9. (L (E; E H ); +; :) est un espace vectoriel sur K . Il sut de remarquer que c'est un sous espace vectoriel de l'espace vectoriel (E H )E Pour les proprits de la loi  sur les applications linaires, ils sont rsumes par : ee e e e

Proposition 30.9.

   

Soient f : E 3 E H et g : E H 3 E HH et h : E HH 3 E HHH , alors (h  g)  f = h  (g  f ) Soient f : E 3 E H et g : E H 3 E HH linaires, soit P K , alors (g  f ) = ( g)  f = g  ( f ) e Soient f; f H : E 3 E H et g : E H 3 E HH linaires, on a g  (f + f H ) = g  f + g  f H e Soient f : E 3 E H et g; gH : E H 3 E HH linaires, on a (g + gH )  f = g  f + gH  f e

40 La premire proprit est vrai pour f; g; h applications queconques et non ncessairement e ee e linaires. e Les proprits 2 3 et 4 sont rsums par : ee e e

Soient f; f H : E 3 E H et g : E H 3 E HH lineaires; ; P K on a g  ( f + f H ) = (g  f )+ (g  f H ) Soient f : E 3 E H et g; gH : E H 3 E HH lineaires; ; P K on a ( g + gH )  f = (g  f )+ (gH  f )

D nition 20.9. Soit E un espace vectoriel. Une application linaire f : E e e endomorphisme de E .


On note L (E )(= L (E; E )) l'ensemble des endomorphismes de E . Il rsulte en particulier des propositions ci-dessus que e

3 E

s'appel

Proposition 31.9. (L (E ); +; ) est un anneau.


(En fait c'est une K Algebre, on appel ainsi un anneau muni d'une structure d'espace vectoriel sur un corps K tel que la proprit 2 de la proposition 30.9 est vri e) ee e e Nous verrons au paragraphe suivant que l'anneau (L (E ); +; ) n'est ni commutatif, ni intgre. e

D nition 21.9. Soit E un espace vectoriel. Une application linaire bijective f : E e e s'appel automorphisme de E .
On note GL(E ) l'ensemble des automorphismes de E . Il rsulte des propositions ci-dessus que e

3 E

Proposition 32.9. (GL(E ); ) est un groupe.


En fait on a GL(E ) = (L (E )) . (Si A est un anneau, l'ensemble des lments inversibles de A ee , a ne pas confendre avec A n f0g ) se note souvent A 

41 Le groupe GL(E ) et ses sous groupe jouent un r^le important en gomtrie et en physique. o e e La proposition qui suit montre que la linairit preserve le caractre "sous espace vectoriel" e e e

Proposition 33.9. Soit f : E 3 E H linaire e


L'image f (F ) d'un sous espace vectoriel F de E est un sous espace vectoriel de E H L'image rciproque f 1 (F H ) d'un sous espace vectoriel F H de E H est un sous espace vectoriel e de E D nition 22.9. Soit f : E 3 E H linaire. On appel noyau de f le sous espace vectoriel de E : e e f 1 f0g = fx P E j f (x) = 0g

 

On le note Ker(f )

Proposition 34.9.

f injective @A Ker(f ) = f0g

Preuve : . Si f est injective, on a x P Ker(f ) =A f (x) = 0 = f (0), donc x = 0. Inversement si Ker(f ) = f0g, f est injective car f (x) = f (xH ) =A f (x) f (xH ) = 0 3 f (x xH ) = 0, donc x xH P Ker(f ), donc x xH = 0
Exemple : Soit

E = K [X ] (K corps commutatif). Soit f E 3 E

P 3 P P H On vri e que f est linaire. Calculons Ker(f ) e e f (P ) = 0 @A P P H = 0 @A P = P H Or on a toujours si P T= 0, d (P H ) d (P )1, donc P = 0, donc Ker(f ) = f0g, donc f injective
D nition 23.9. Soit f : E 3 E H linaire. On appel espace image de f le sous espace vectoriel e e f (E ) de F
On le note Im(f )

Im(f ) = ff (x) j x P E g
Remarque.
C'est l'nonc dual de : e e

f surjective @A Im(f ) = E H f injective @A Ker(f ) = f0g

Proposition 35.9. Soif f : E 3 E H linaire. Soit B = (ei )iPI une base de E , on a : e

Im(f ) = vect(f (ei ))iPI

42

Preuve : On a :

Im(f ) = ff (x) j x P E g = f (

Thorme 3.9. Soit f : E 3 E H linaire. On a un isomorphisme d'espace vectoriel : e e e

xi ei ) j (xi ) P K (I ) =

xi f (ei ) j (xi ) P K (I )

E=Ker(f ) 3 Im(f ) x 3 f (x)


Thorme 4.9. Soit f : E 3 E H linaire. Supposons E de dimension nie, on a : e e e
dim(Im(f))+dim(Ker(f))=dim(E)
Comme consquence, on a e

Preuve : . Voici une Preuve directe de ce thorme : Soit H un supplimentaire de Ker(f ) dans e e E . Soit f1 : H 3 Im(f ); x 3 f (x). f1 est injective car si f1 (x) = 0 alors x P Ker(f ), donc x P Ker(f ) H = f0g, donc x = 0. f1 est surjective car soit y P Im(f ), donc y = f (x) pour un x P E . Ecrivons x = x1 + x2 , avec x1 P Ker(f ) et x2 P H . On a y = f (x) = f (x1 ) + f (x2 ) = 0 + f (x2 ) = f (x2 ) et x2 P H . Donc dim(E ) = dim(H ) + dim(Ker(f )) = dim(Im(f )) + dim(Ker(f ))
Exemples :

1. Reprenons f : R2 3 R3

(x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y ), on a :


V ` X

(x; y ) P Ker(f ) @A

Donc Ker(f ) = f(0; 0)g, donc dim(Ker(f )) = 0, donc dim(Im(f )) = dim(E ) = 2. On a en e et :

x + 2y = 0 3x + 5 y = 0 7x + 11y = 0

=0 @A x = 0 y

&

Donc ((1; 3; 7); (2; 5; 11)) est gnrateur de Im(f ), comme il est libre (car 1=2 T= 3=5), c'est e e une base de Im(f ), donc dim(Im(f )) = 2 2. Soit f

Im(f ) = f(x + 2y; 3x + 5y; 7x + 11y) j x; y P Rg = fx(1; 3; 7) + y (2; 5; 11) jx; y P Rg Im(f ) = vect((1; 3; 7); (2; 5; 11))

R4 3 R2
(x; y; z; t) 3 (x + y z t; x y + 2z 3t) (x; y; z; t) P Ker(f ) @A
&

x+yzt=0 x y + z 3t = 0

R2 )

Donc dim(Ker(f )) = 2, donc dim(Im(f )) = 2. On veri e en e et que Im(f ) = vect((1; 1); (1; 1))(=

Ker(f ) = f(2t; z t; z; t) j z; t P Rg

43

Proposition 36.9. Soit f : E 3 E H linaire. Supposons dim(E ); dim(E H ) nies et dim(E ) = dim(E H ). e On a :

f bijective @A f injective @A f surjective


Preuve : . Si f est injective, on a Ker(f ) = f0g, donc dim(Ker(f )) = 0, donc dim(Im(f )) = dim(E ) = dim(E H ), donc Im(f ) = E H , donc f est surjective. Si f est surjective, on a Im(f ) = E H , donc dim(Im(f )) = dim(E H ) = dim(E ), donc dim(Ker(f )) = 0, donc Ker(f ) = f0g, donc f est injective Corollaire. Soit E un espace vectoriel de dimension nie. Soit f

P L (E ), on a ;

f bijective @A f injective @A f surjective


D nition 24.9. soif f : E 3 E H linaire, on appel rang de l'application linaire f la dimension e e e de Im(f )
On le note rg (f ) On a donc :

rg(f ) + dim(Ker(f )) = dim(E )


Il rsulte de la proposition 35.9 que : e Proposition 37.9. Soit f : E 3 E H linaire, B = (ei )iPI une base de E , on a : e

rg(f ) = rg(f (ei ))iPI


En fait il y a une sorte de bijection entre les applications linaires et les systmes de vecteurs e e (et nous verrons plus loin avec les matrices). Comme cas particulier de la proposition ci-dessus, on a: Proposition 38.9. Soit f : E 3 E H linaire, B = (ei )iPI une base de E , on a : e

 f injective si et seulement si (f (ei))iPI est libre  f surjective si et seulement si (f (ei))iPI est gnrateur de E H e e  f bijective si et seulement si (f (ei))iPI est une base de E H
En lien avect la proposition 35.9, on a : Proposition 39.9. Soit f : E 3 E H linaire. Le calcul de Ker(f ) donne implicitement une base e de Im(f )

Preuve : calcul de Ker(f ) revient a resoudre l'quation f (x) = 0. Soit B = (ei )iPI , Le  e crivons = i xi ei , donc f (x) = i xi f (ei ), donc le calcul de Ker(f ) revient a resoudre le e x  systme i f (ei ) = 0, nous avons dans la section du rang d'un systme comment la rsolution e xi e e du systme i xi f (ei ) = 0 doone une base de vect(f (ei ))iPI e

44

9.2 Matrices
9.2.1 Matrice associe  une application linaire e a e Soif f : E 3 E H linaire. On souhaite crire analytequement (explicitement) l'expression de e e f (x). En dimension nie le problme est simple. Soient e

B = (e1 ; e2 ; : : : ; en ) une base de E B H = ("1 ; "2 ; : : : ; "m ) une base de E H .


Pour j = 1; 2; : : : ; n, crivons f (ej ) dans la base B H e
m i=1

f (e j ) =
n j =1

aij "i
n m j =1 i=1

Alors pour x P E , soit x = x1 e1 + x2 e2 + : : : xn en l'ecriture de x dans la base B . On a

f (x) = f (
Soit

xj ej ) =

n j =1 i=1 (

xj f (ej ) =
n

xj aij "i

f (x) =

j =1 aij xj )"i

Donc moyennement la donne des constantes aij , on explicite compltement f (x) par ses come e H. posantes dans la base B

D nition 25.9. Soit K un corps commutatif. On appel matrice (m; n)  coe ients dans K , e a c toute famille (aij )1 i m;1 j n d'lments de K indexe par l'ensemble ee e

I = f1; 2; : : : ; mg f1; 2; ; ng
.
On note Mm;n (K ) l'ensemble des matrices (m; n) a coe ients dans K .  c Etant donn le double indice (i; j ) dans aij . Une matrice (aij ) P Mm;n (K ) s'crit aussi comme e e un tableau a m lignes et n colonnes : 
P T T R Q U U S

a11 a21 ::: am1

a12 a22 ::: am2

::: ::: ::: :::

a1n a2n ::: amn

45

Proposition 40.9. Soif f : E 3 E H linaire. B = (e1 ; e2 ; : : : ; en ), B H = ("1 ; "2 ; : : : ; "m ) des e bases respectives de E et E H , il existe une matrice unique A = (aij ) P Mm;n (K ) vri ant pour tout e x P E x = i xi ei

f (x) =

m n i=1 j =1

aij xj )"i

donne f (x) = Preuve : Ecrivons f (ej ) dans la base B H , f (ej ) = m aij "i , le calcul ci-dessus i =1 m m n n H i=1 ( j =1 aij xj )"i , inversement si pour tout x P E x = i xi ei on a f (x) = i=1 ( j =1 aij xj )"i , m H en particulier pour x = ej , donc f (ej ) = i=1 aij "i , par l'unicit de l'criture dans une base e e aHij = aij

D nition 26.9. La matrice (aij ) s'appel matrice de l'application linaire e e H. f dans les bases B et B On note (aij ) = MBB (f )
0

On a donc

MBB (f )
0

P T T T T R

f (e1 ) f (e2 ) a11 a12 a21 a22 am1


. . .

am2

. . .

f (ej ) a1j a2j amj Ecriture de f (ej ) dans la base B H


. . .

f (en ) a1n a2n amn


. . .

Q U U U U S

"1 "2 "m


. . .

Proposition 41.9. Soif f : E 3 E H linaire. B = (e1 ; e2 ; : : : ; en ), B H = ("1 ; "2 ; : : : ; "m ) des e bases respectives de E et E H . L'application

P E f (x) = g(x), donc f = g, ainsi l'application est injective. L'application est surjective car si A = (aij ) P Mm;n (K ), posons pour tout x P E x = i xi ei :
0 0

f 3 MBB (f ) est une bijection entre L (E; E H ) et Mm;n (K ). Preuve : Si MBB (f ) = MBB (g), alors pour tout x
0

f (x) =

m n i=1 j =1

aij xj )"i

46

MBB (f )
0

On veri e facilement que f est linaire, d'aprs l'unicit dans la proposition 40.9, on a A = e e e

Exemples :

Soit f : R2 3 R3 (x; y ) 3 (x + 2y; 3x + 5y; 7x + 11y ) On vr e que f est linaire. Soient B = ((1; 0); (0; 1)) et B H = ((1; 0; 0); (0; 1; 0); (0; 0; 1)) les e e bases canoniques respectivement de R2 et R3 . On a :

{ f ((1; 0)) = (1; 3; 7) = 1:(1; 0; 0) + 3(0; 1; 0) + (7)(0; 0; 1) { f ((0; 1)) = (2; 5; 11) = 2(1; 0; 0) + 5(0; 1; 0) + 11(0; 0; 1)
donc
P

MBB (f ) = R
0

1 3 7

2 5 11

Q S

Soit E l'ensemble des polyn^mes de K [X ] de degr 2. Soit f : E 3 E , P 3 XP (X + o e 2) (X 1)P (X 3). On vri e que E un sous espace vectoriel de K [X ] ayant comme base canonique B = e (1; X; X 2 ). On vri e que f est linaire. On a : e e

{ f (1) = 1 { f (X ) = X (X + 2) (X 1)(X 3) = X 2 + 2X (X 2 4X + 3) = 6X 3 { f (X 2 ) = X (X + 2)2 (X 1)(X 3)2 = 11X 2 11X + 9


donc
P

MBB (f ) = R

1 0 0

9 6 11 0 11

Q S

9.2.2 Algbre des matrices e A l'aide de la bijection f 3 MBB (f ) nous allons transporter les oprations sur les applications e
0

linaires, en oprations sur les matrices. e e

Proposition 42.9.

 

Soient f; g : E 3 E H linaire. B; B H bases respectives de E et E H . Posons MBB (f ) = (aij ) e et MBB (g) = (bij ), alors MBB (f + g) = (aij + bij ) Soient f : E 3 E H linaire. B; B H bases respectives de E et E H . Soit  P K . Posons e MBB (f ) = (aij ), alors MBB (f ) = (aij )
0 0 0 0 0

47

Soient f : E 3 E H et g : E H 3 E HH linaires. B; B H ; B HH bases respectives de E et e E H et E HH . Posons MBB (f ) = (bij ) P Mmn (K ) et MB B (g) = (aij ) P Mlm (K ), alors MBB (g  f ) = (cij ) P Mln (K ), avec
0 0 00 00

cij =

n k=1

aik bkj

Ceci permet de d nir des oprations sur les matrices. de plus on a la chance que ses oprations e e e ne dpendent pas du choix des bases B et B H (il sont intrinsques ) e e

D nition 27.9. e

  

Soient A = (aij ); B = (bij ) P Mm;n (K ). On pose A + B la matrice (aij + bij ) P Mm;n (K ). Soient A = (aij ) P Mm;n (K ). Soit  P K . On pose A la matrice (aij ) P Mm;n (K ). Soient A = (aij ) P Mm;n (K ) et B = (bij ) P Mnl (K ). On pose AB la matrice (cij ) P Mm;l (K ). Avec

cij =
Remarque.

n k=1

aik bkj

 

La somme et produit par un scalaire des matrices se fait composante  composante. a Le produit de matrice AB n'est d nit que si e le nombre de colonne de A = nombre de ligne de B

On a

H f f f f f f f f f f f f d

cij = (

iieme ligne de A

j ieme c o l o n n e de B

I g g g g g g g g g g g g e

Donc le produit est gnr par le produit lmentaire de matrice ligne par matrice colonne de la e ee ee forme

48
H f

( 1 2 : : : n ) f . f d . .
Exemple :

1 2

I g g g e

= 1 1 + 2 2 + + n n

a b c p q r

R k

1 7 14 2 8 15 3 9 16

Q S

a + 2b + 3c 7a + 8b + 9c 14a + 15b + 16c p + 2q + 3r 7p + 8q + 9r 14p + 15q + 16r


Par construction on a

Proposition 43.9.

  

Soient f; g : E 3 E H linaire. B; B H bases respectives de E et E H . On a : e

MBB (f + g) = MBB (f ) + MBB (g)


0 0 0

Soient f : E 3 E H linaire. B; B H bases respectives de E et E H . Soit  P K . On a : e

MBB (f ) = MBB (f )


0 0

Soient f : E E HH . On a :

3 E H et g : E H 3 E HH linaires. B; B H; B HH bases respectives de E et E H et e


MBB (g  f ) = MB B (g)MBB (f )
00 0 00 0

Cet isomorphisme entre matrice et application linaire fait que toute les proprits des oprations e ee e sur les applications linaires se transmettent sur oprations sur les matrices. On obtient e e

Proposition 44.9. Soit : la multiplication des matrices par les scalaires


(Mm;n (K ); +; :)

est un espace vectoriel sur K:


formellement une matrice (m; n) se prsente comme un mn uplet (c'eat--dire : un lment e a ee mn ), on en dduit que : de K e

Proposition 45.9. Soit pour tout (r; s) (1 r m 1 s n) la matrice Ars = (aij ) P Mm;n (K ) avec aij = 1 si (i; j ) = (r; s) et aij = 0 sinon. Alors (Ars )1 r m 1 s n est une base de Mm;n (K )

49

Corollaire. l'espace vectoriel Mm;n (K ) est de dimension m n ( nie) Corollaire. Soien E; E H des espace vectoriel sur m^me corps de dimension nie, alors l'espace e vectoriel L (E; E H ) est de dimension nie et on a :

dim(L (E; E H )) = dim(E ) dim(E H )


Examinons maintenant les proprits de la loi multiplication des matrices, rappelons que c'est ee une loi doublement externe : Une matrice (m; n)

une matrice (n; l) = une matrice (m; l)

On deduit de la proposition 30.9 :

Proposition 46.9.

  

Soient A P Mm;n ; B P Mn;l P K on a (AB ) = ( A)B = A( B )

Soient A P Mm;n ; B P Mn;l ; C P Ml;p , on a :(AB )C = A(BC )

Soient A1 ; A2 P Mm;n (K ) B P Mn;l (K ) on a (A1 + A2 )B = A1 B + A2 B Soien A P Mm;n K; B1 ; B2 P Mn;l (K ) on a A(B1 + B2 ) = AB1 + AB2

Remarque.
1. L'associativit est une proprit non vidente du produit matriciel bien qu'elle rsulte par isoe ee e e morphisme d'une proprit vidente qui est l'associativit de la composition des applications. eee e 2. Les proprits 2 et 3 se rsument en : ee e

VA ; A P Mm;n(K ) VB P Mn;l (K ); V ; P K
1 2

( A1 + A2 )B = (A1 B ) + (A2 B )

VA P Mm;nK; VB ; B P Mn;l (K ); V ; P K
1 2

A( B1 + B2 ) = (AB1 ) + (AB2 )

Reprenant le problme de l'criture analytique de f , il admet une solution matricielle a savoir : e e 

Proposition 47.9. Soit f : E 3 E H . Soit B; B H des bases respectives de E et E H . B = (e1 ; e2 ; : : : ; en ) et B H = ("1 ; "2 ; : : : ; "m ). Soit x P E , x = x1 e1 + x2 ee + : : : xn en l'criture de x dans e H . On a : B , et f (x) = y1 "1 + y2 "2 + + ym "m l'criture de f (x) dans B e
H f f f d

y1 y2 . . . ym

I g g g e

f MBB (f ) f f d
0

x1 x2 . . . xm

I g g g e

50 Notons
H f

MB (x) = f . f d .
. la formule ci-dessus s'crit : e

x1 x2

I g g g e

xm
0

MB (f (x)) = MBB (f )MB (x)


0

Cette formule est trs importante, c'est la raison d'tre des matrices. e e

Remarque. L'application x 3 MB (x) est un isomorphisme d'espace vectoriel entre E et Mn;1 (K )


Exemple :

Reprenons l'exemple E l'ensemble des polyn^mes de K [X ] de degr 2, et f : E 3 E;P 3 o e XP (X + 2) (X 1)P (X 3). Soit B = (1; X; X 2 ) la base canonique de E . Nous avons trouv e
P

MBB (f ) = R

1 0 0

9 6 11 0 11
Q S P

Q S

Il en rsulte que si P = ao + a1 X + a2 X 2 , alors f (P ) = bo + b1 X + b2 X 2 tel que e


P R

bo b1 b2

Q S

=R

1 0 0

9 6 11 0 11

QP SR

ao a1 a2

=R

ao 3 a1 + 9 a2 6a1 11a2 11a2

Q S

On vri e e ectivement que e

XP (X + 2) (X 1)P (X 3) = ao 3a1 + 9a2 + (6a1 11a2 )X + 11a2 X 2


Resumons la correspendance entre applications linaires et les vecteurs d'une part, et les mae trices

51

xPE

MB (x)
0

y = f (x) MB (y) = MBB (f )MB (x) f +g f f g


0

MBB (f ) + MBB (g)


0 0

MBB (f )
0

MB B (f )MBB (g)
00 0

Exemples :

1. Soient f; g : R3 de R3 et R2

3 R
0

linaires, on donne les matrices de f et g dans les bases canoniques e 3 2 5 1 6 7


!

MBB (f ) =
Expliciter 5f + 2g . On a :

MBB (g) =
0

2 28 1 15

10
9

MBB (5f + 2g) = 5MBB (f ) + 2MBB (g)


0 0 0

15 10 25 5 30 35 =

4 56 2 30
!

20
18

19 66 5 3 60 53
3 1 1

On a donc pour x = (x1 ; x2 ; x3 ) f (x) = y1 "1 + y2 "2 . On a :

PR,x=xe
!

+ x2 e2 + x3 e3 . Posons f (x) = (y1 ; y2 ),


! P R

y1 y2
ce qui donne
&

19 66 5 60 53

x1 x2 x3

Q S

y1 = 19x1 + 66x2 + 5x3 y2 = 3x1 + 60x2 + 53x3

52 2. . Soient f : R4 3 R2 , g : R2 3 R3 linaires. On donne les matrices de f et g dans les e bases canoniques de R4 ; R2 et R3

MBB (f ) = 2 3
0

1
5

1 0 1

MB B (g) = R
0 00

3 11 1 4 2 8

Q S

Expliciter g  f . On a :

MBB (g  f ) = MB B (g)MBB (f )
00 0 00 0

3 11 1 4 2 8
P

Q S

2 3

1 0 5 2 1 11 4 8
Q S

=R

39 52 14 19 20 42

19 7 18

On a donc pour x = (x1 ; x2 ; x3 ; x4 ) P R4 , x = x1 e1 + x2 e2 + x3 e3 + x4 e4 . Posons f (x) = (y1 ; y2 ; y3 ), f (x) = y1 "1 + y2 "2 + y3 "3 . On a :
P R

y1 y2 y3

Q S

39 52 = R 14 19 20 42

19 7 18

11 4 8

T ST R

x1 x2 x3 x4

Q U U S

Ce qui donne
V ` X

y1 = 39x1 + 52x2 19x3 + 11x4 y2 = 14x1 + 19x2 7x3 + 4x4 y3 = 2x1 + 42x2 18x3 + 8x4

D nition 28.9. Une matrice (m; n) est dite carr si m = n e e


Notons Mn (K ) = Mn;n (K ). Comme cas particulier de la proposition 46.9 ci-dessus, on a :

Proposition 48.9. Soit la multiplication des matrices.


(Mn (K ); +; )

est un anneau.

53

Son lment neutre pour la loi est la matrice identit ee e


P T T T R

0 ::: 0 1 0 ::: ... ... ::: 0 ::: 0 1 1 0

Q U U U S

Remarques.
1. Pour n ! 2, l'anneau Mn (K ) n'est pas commutatif, voici un contre exemple pour n = 2


1 0 0 0



0 0 1 0

0 0 0 0

T=

0 0 1 0



1 0 0 0

0 0 1 0

2. Le m^me contre-exemple ci-dessus montre que l'anneau Mn (K ) n'est pas intgre pour n ! 2 e e (Une lgante application du corollaire de la proposition 36.9 montre que les seules matrices ee rgulire pour la multiplication sont les matrices inversibles) e e 3. D'intressant contre-exemples pour l'algbre se trouve dans l'anneau Mn (K ), on y trouve par e e exemple des idaux maximaux tels que Mn (K )=I n'est pas un corps. e

D nition 29.9. On dit qu'une matrice carr (n; n) est inversible si elle est inversible dans e e l'anneau Mn (K ).
Autrement dit A P Mn (K ) inversible si il existe AH P Mn (K ) tel que
P T R

AAH = AH A = T T

0 ::: 0 1 0 ::: ... ... ::: 0 ::: 0 1 1 0

Q U U U S

La proposition suivante vient alors complter le tableau d'isomorphismes de la proposition 43.9 e Proposition 49.9. Soit f : E 3 E H . Soit B; B H des bases respectives de E et E H . Supposons E; E H de dimension nie et dim(E ) = dim(E H ), On a :

f bijective
auquel cas on a :

@A MBB (f ) inversible
0 0

MB B (f 1 ) = (MBB (f ))1
0

Preuve : Posons n = dim(E ). Si f est bijective on a f  f 1 = IE et f 1  f = IE , par suite MBB (f )MB B (f 1 ) = MB B (f 1 )MBB (f ) = In ( In matrice identit), donc MBB (f ) e
0 0 0 0 0 0

54 est inversible. Inversement si MBB (f ) est inversible, soit. A P Mn (K ) telle que MBB (f )A = AMBB (f ) = In , soit g P L (E H ; E ) telle que MB B (g) = A, on a alors MBB (g  f ) = MB B (f  g) = In , donc g  f = IE et f  g = IE
0 0 0 0 0 0 0

Notation : Soit E un espace vectoriel de dimension nie, B une base de E , f endomorphisme de E , la matrice MBB (f ) se note :

P L (E ) un

M B (f )
par la proposition ci-dessus :

f bijectif

@A MB (f ) inversible

Resumons la correspendance entre applications linaires et les vecteurs d'une part, et les mae trices

xPE

MB (x)
0

y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1


0

MBB (f ) + MBB (g)


0 0

MBB (f )
0

MB B (f )MBB (g)
00 0

(MBB (f ))1
0

Proposition 50.9. Soit A P Mn (K ) une matrice carr  coecient dans un corps commutatif K , ea il est equivalent de dire :
1. A est rgulire e e 2. A est rgulire  droite e e a 3. A est rgulire  gauche e e a 4. A est inversible a droite 

55

5. A est inversible a gauche 

Preuve : Soit iA : Mn;1 (K ) 3 Mn;1 (K ) X 3 AX , iA est linaire. Si A est rgulire a e e e  gauche, soit la relation AX = 0, soit B P Mn (K ) ayant sa premire colonne gale a X les autre e e  colonnes tant nulles, alors AB = 0 donc B = 0, donc X = 0, ainsi iA est injective, comme Mn;1 (K ) e est de dimension nie (=n2 ), par le corollaire de la proposition 36.9 iA est bijective, Soit B0 la base canonique de Mn;1 (K ), on vri e que MB0 (iA ) = A, donc A est inversible e
La proposition qui suit ramne le calcul de A1 a un problme de systme linaire. e  e e e

6. A est inversible

Proposition 51.9. Soient A; B P Mn (K ) des matrices carres de m^me taille, si pour tous vecteurs e e colonnes X; Y P Mn;1 (K )
alors A est inversible et A1 = B

AX = Y =A Y = BX

Preuve : Pour X P Mn;1 (K ) posons Y = AX , donc BY = X soit BAX = X . Soit B0 la base canonique de Mn;1 (K ), la matrice de l'endomorphisme X 3 BAX dans B0 est BA, or c'application identique de Mn;1 (K ), donc BA = In (In matrice identit de taille n), par la e 1 A = BA et A rgulire, donc B = A1 proposition 50.9 A est inversible, on a A e e
Application : Pour calculer A1 , on resoud le systme linaire : e e
H f Af f d

x1 x2 xn
. . .

I g g g e

f f f d

y1 y2 yn y1 y2
. . .

I g g g e

par rapport aux inconnues x1 ; x2 ; : : : ; xn . Ecrivons alors matricielement la solution :


H f f f d

x1 x2 xn
. . .

I g g g e

H f

I g g g e

=Bf . f d . .

alors A1 = B
Exemple :
H

yn

A=d

1 1 2 1 1 1 0 1 3

I e,

on a :

56
H

Ad
V `

x1 x2 x3

I e

y1 y2 y3

I e

@A X

V `

x1 + x2 + 2x3 = y1 x1 + x2 + x3 = y2 x2 + 3x3 = y3

@A X

2x2 + 3x3 = y1 + y2 x1 = x2 + x3 y2 x2 + 3x3 = y3

(1) @A X @A X x
V `

V `

2x2 + 3x3 = y1 + y2 (1) x2 = y3 3x3 (2)

@A X

V `

x3 = (2y3 y1 y2 )=3

(1) (2)

x1 = (2y1 y2 y3 )=3 2 = y1 + y2 y3 x3 = (y1 y2 + 2y3 )=3


2 =3 1 1=3

D'o : u
H d

x1 x2 x3

I e

=d

1=3 1=3 I H y 1 1 e d y 1=3 2=3 y 1=3 1=3 I 1 1 e 1=3 2=3

I
1 2 3

Donc
H

A 1 = d
On vri e que : e
H d IH ed

2= 3 1 1=3

1 1 2 1 1 1 0 1 3

2= 3 1 1=3

1=3 1=3 I H 1 1 1 e = d 0 1=3 2=3 0

0 0 1 0 0 1

I e

9.2.3 Changement de base


Que deviennent ces matrices MB (x); MBB (f ) si on change les bases ?
0

D nition 30.9. Soit E un espace vectoriel de dimension nie. Soient B = (e1 ; e2 ; : : : ; en ) et B H = e (eH1 ; eH2 ; : : : ; eHn ) des base de E . Soit eHj = n=1 aij ei l'criture de eHj dans la base B , j = 1; 2; : : : ; n. e i La matrice (aij ) s'appel matrice de passage de B  B H . a
On la note PBB
0

57

eH1 eH2 : : :

PBB =
0

T T R

eHj a1j a2j anj


. . .

:::

eHn

Q U U S

e1 e2 en
. . .

4
eHj =
n

i=1 aij ei

Remarque. Soit IE l'application identique de E , c'eat--dire : x 3 x, on a a

PBB = MB B (IE ) Il en rsulte en particulier par la proposition 49.9 que e


0 0

1 PB B = PBB
0

Proposition 52.9. Soit E un espace vectoriel de dimension nie. Soient B = (e1 ; e2 ; : : : ; en ) et B H = (eH1 ; eH2 ; : : : ; eHn ) des base de E . Soit x P E , x = n=1 xi ei = n=1 xHi eHi . On a : i i
H f f f d

x1 x2 . . . xn

I g g g e

H f f f d

= PBB

xH1 xH2 . . . xHn

I g g g e

ce qui s'crit aussi e

MB (x) = PBB MB (x)


0 0

Preuve : . On a : x = IE (x), donc MB (x) = MB B (IE )MB (x), soit MB (x) = PBB MB (x)
0 0 0 0

Remarque. Contrairement  ce qu'on aurait prfr, cette formule exprime les anciennes coora ee e donnes en fonction des nouvelle, cependant en pratique c'est bien sous cette forme qu'on applique e la formule car cela permet de recrir les equations en terme de nouvelles coordonnes. e e
Exemple : Considrons dans R2 le cercle unit. Son equation dans la base canonique ((1; 0); (0; 1)) e e

est

Soit B H = ((2; 3); (5; 7)), on a

x2 + x2 = 1 1 2

58

PBB = 2 5 3 7 Si dans B H le vecteur (x1 ; x2 ) s'crit xH1 eH1 + xH2 eH2 , on a e


0

x1 x2

2 5 3 7

!

xH1 xH2

donc
&

Dans B H , l'quation du cercle unit est donc e e

x1 = 2xH1 + 5xH2 x2 = 3xH1 + 7xH2

(2xH1 + 5xH2 )2 + (3xH1 + 7xH2 )2 = 1

H H Proposition 53.9. Soit f : E 3 E H , B1 ; B1 des bases de E . Soient B2 ; B2 des bases de E H . Soit H , Q la matrice de passage de B2  B H , on a : P = PB1 B1 la matrice de passage de B1  B1 a a 2
0

MB1 B2 (f ) = Q1 MB1 B2 (f )P
0 0

Preuve : . On a le diagramme des applications :

E; B1 IE

3 E H; B 5

4
H E; B1

IE
2

3 E H; B H
f
0 0

On a f = IE f IE , donc MB1 B2 (f ) = MB2 B2 (IE )MB1 B2 (f )MB1 B1 (IE ) = Q1 MB1 B2 (f )P


0 0 0 0

Exemple :

Soit f

R2 3 R3 , (x; y) 3 (x + 2y; 3x 5y; 6x y)

Soit B1 ; B2 les bases canoniques respectivement de R2 et R3 . Posons

H B2 = ((1; 1; 0); (1; 0; 1); (0; 1; 1)) MB1 B2 (f ) se lit directement sur l'criture de f (c'est l'un des avantages des bases canoniques) e
P

H B1 = ((1; 1); (2; 3))

MB 1 B 2 ( f ) = R

1 3 6

2 5 1

Q S

59 Cherchons d'abord MB1 B2 (f ) par calcul direct. On doit donc exprimer f (1; 1); f (2; 3) par leur H composantes dans B2 :
0 0

f (1; 1) = (3; 2; 5) = a(1; 1; 0) + b(1; 0; 1) + c(0; 1; 1)

@A X
V ` X V `

V `

a+b=3 a + c = 2 b+c=5

a+b=3 a + c = 2 b+c=5

a=3b ()(1) @A X (3 b) + c = 2

@A X @A X
V ` V `

V `

b+c=5

a=3b ()(1) b + c = 5 b+c=5 a=3b ()(1) c = 5 + b ()(2) b + (5 + b) = 5

a=3b ()(1) @A X c = 5 + b ()(2) b=5 ()(3) V ()(1) ` a = 2 @A X c = 0 ()(2) b=5 ()(3) f (2; 3) = (8; 9; 9) = a(1; 1; 0) + b(1; 0; 1) + c(0; 1; 1)

@A X a + c = 9
V ` X

V `

a+b=8 b+c=9

@A X @A X
V `

V `

a+b=8 a + c = 9 b+c=9

a=8b ()(1) (8 b) + c = 9 b+c=9 a=8b ()(1) b + c = 17 b+c=9

60
V `

@A X @A X
V `

a=8b ()(1) c = 17 + b ()(2) b + (17 + b) = 9 a=8b ()(1) c = 17 + b ()(2) b = 13 ()(3) b = 13


()(1) ()(2) ()(3)

a = 5 @A X c = 4
Donc
P
0 0

V `

MB1 B2 (f ) = R 5 13
0 Vri ons maintenant la formule e Soit
P R

2 5 Q 4
S

MB1 B2 (f ) = Q1 MB1 B2 P
0 0

2 5 Q
5 0 13 4
S

= Q1 R

1 3 6
P

2 5 1

Q SP

On a 1 1 0 Q=R 1 0 1 S P= 1 2 1 3 0 1 1 Pour calculer Q1 , on exprime les vecteurs de B2 dans B H , on a


!
2

V ` X V ` X

@A X @A X @A X
V ` V `

V `

"1 = "H1 "2 ()(1) "3 = "H2 "H1 + "2 ()(2) H "H + "2 ) = " H "2 + ( "2 1 3

"1 = "H1 "2 ()(1) ("H1 "2 ) + "3 = "H2 "2 + "3 = "H3 "1 = "H1 "2 ()(1) "2 + "3 = "H2 "H1 "2 + "3 = "H3

"1 + "2 = "H1 "1 + "3 = "H2 "2 + "3 = "H3

"1 + "2 = "H1 "1 + "3 = "H2 "2 + "3 = "H3

61
V `

@A X @A X
d'o u
P V `

"1 = ("H3 + "H1 + "H2 )=2 "3 = ("H3 "H1 + "H2 )=2 ()(2) "2 = ("H3 + "H1 "H2 )=2 ()(3)
1=2 1=2 1=2
QP SR

"1 = "H1 "2 ()(1) H "H + "2 "3 = "2 1 ()(2) "2 = ("H3 + "H1 "H2 )=2 ()(3)

Q1 = R
On vri e que e

1= 2 1= 2 1=2
P

1=2 Q
1 =2 1 =2
S

1R 2

1 1 1

1 1 1
P

1 Q
1 1
S

QQ1 =
En n on a bien
P R

1R 2

1 1 0 1 0 1 0 1 1
P

1 1 1 1 1 1

1 1 1

1 Q
1 1
S

=R

1 0 0 0 1 0 0 0 1

Q S

2 5 Q
5 0 13 4
S

1R 2

1 1 1

1 Q P 1
1 1
SR

2 3 5 6 1

Q S

1 2 1 3

9.2.4 Rang d'une matrice D nition 31.9. Soit A P Mm;n (K ), soit S = ((c1 ; c2 ; : : : ; cn )) le systme de K m form par les e e e colonnes de A, le rang de S s'appel rang de la matrice A
On le note rg (A)

Proposition 54.9. Soif f : E 3 E H linaire, B; B H bases respectives de E; E H , on a : e

rg(f ) = rg(MBB (f ))
0

Preuve : Notons B = (ei )iPI . On a rg(f ) = rg((f (ei ))iPI ), la proposition en rsulte par e l'isomorphisme d'espace vectoriel v 3 MB (v )
Compltons la correspendance entre applications linaires et les vecteurs d'une part, et les e e matrices

62

xPE

MB (x)
0

y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1 rg(f )


0

MBB (f ) + MBB (g)


0 0

MBB (f )
0

MB B (f )MBB (g)
00 0

(MBB (f ))1
0

rg(MBB (f ))
0

Notation : Soit E un espace vectoriel de dimension nie. B = (e1 ; e2 ; : : : ; em ) une base de E S = (v1 ; v2 ; : : : ; vn ) un systme de E . Ecrivons vj = m aij ei e i=1

D nition 32.9. La matrice (aij ) P Mm;n (K ) s'appel matrice du systme S dans la base B e e
On la note MB (S ) Il rsulte de l'isomorphisme v 3 MB (v ) que : e

Proposition 55.9. Soit E un espace vectoriel de dimension nie. B une base de E S un systme e de E , on a :

rg(S ) = rg(MB (S ))

D nition 33.9. Soit A = (aij ) P Mm;n (K ) la matrice (bij ) e matrice transpose de la matrice A e

P Mn;m(K ) avec bij

= aji s'appel

63 On la note t A Les colonnes de t A sont dans l'ordre les lignes de A. Si :


P

A=T R

a11 a12 : : : a1n a21 a22 : : : a2n ::: am1 am2 : : : amn

Q U U S

alors :
P

tA = T T
R

a11 a21 : : : an1 a12 a22 : : : an2 ::: a1m a2m : : : anm

Q U U S

Remarque. t (t A) = A

Proposition 56.9. Soit A une matrice, on a :

rg(A) = rg(t A)
Preuve : Soit (ci1 ; ci2 ; : : : ; cir ) les colonnes de A formant une base pour les autres. Soit (li1 ; li2 ; : : : ; lis ) les lignes de A formant une base pour les autres. Soit (cHi1 ; cHi2 ; : : : ; cHir ) les colonnes de A intersection de (ci1 ; ci2 ; : : : ; cir ) avec (li1 ; li2 ; : : : ; lis ). On a cHik P Rs . D'autre part (cHi1 ; cHi2 ; : : : ; cHir ) est libre car une relation :

1 cHi1 + 2 cHi2 + + r cHi = 0


r

se prolonge par combinaison linaire aux autrs quations en : e e Par suite r

s, soit rg(A)

1 ci1 + 2 ci2 + + r ci = 0 rg(t A). Comme on t (t A) = A, on a aussi rg(t A)


r

rg(A)

e Comme consquence des propositions 54.9 et 56.9 , voici une autre caractristisation des matrices e carres inversibles : e

64

Proposition 57.9. Soit A P Mn (K ), Il est quivalent de dire : e 1. A est inversible


2. rg(A) = n 3. Les colonnes de A forment un systme libre. e 4. Les lignes de A forment un systme libre. e

Preuve : Soit sur Mn;1 (K ) l'application X 3 AX , c'est un endomorphisme de Mn;1 (K ), on vri e que sa matrice dans la base canonique de Mn;1 (K ) est A, la proposition rsulte des e e propositions 54.9 et 56.9 Proposition 58.9. Le rang d'une matrice est unchang par les oprations suivante : e e  Permuter deux lignes (resp colonnes)

 

Multiplier une ligne (resp colonne ) par un scalair non nul Ajouter  une ligne (resp colonne) une combinaison linaire des autres lignes (resp colonnes) a e

D nition 34.9. On appel opration lementaire sur une matrice une opration ayant l'une des e e e e formes suivantes :  Permuter deux lignes (resp colonnes)

 

Multiplier une ligne (resp colonne ) par un scalair non nul Ajouter  une ligne (resp colonne) une combinaison linaire des autres lignes (resp colonnes) a e

Proposition 59.9. Soit A une matrice (m; n), il est quivalent de dire : e 1. rg(A) = r
2. Il existe une succession d'oprations lementaires qui transforment A en une matrice de la e e forme :
P T T T T T T T T T T T T R

1
0 0

::: ::: ::: 0 0 ::: 0 0 ::: 0 0 ::: ::: ::: ::: 0 0 :::

::: ::: ::: ::: ::: ::: Q ::: ::: ::: ::: ::: U U 0 ::: ::: ::: ::: U U
2 3

::: ::: 0 r ::: ::: ::: ::: ::: ::: ::: :::

::: ::: ::: ::: ::: ::: 0 ::: ::: 0 ::: ::: ::: ::: ::: 0

U U U U U U U U S

1 ; 2 ; : : : ; r T= 0

65

Preuve : Rcurrence sur r. Posons A = (aij ), si A T= 0 soit (r; s) tel que ars T= 0 en permutant e la ligne r et la ligne 1, ensuite la colonne s et la colonne 1 on se ramne a a11 T= 0, ensuite pour e  chaque ligne l2 ; l3 ; : : : ; lm on applique l'opration lmentaire : e ee a li = li i1 l1 a11 de cette manire A se transforme en une matrice de la forme : e
P T T T T R

a11 :::
0 0

A1

Q U U U U S

0 On a rg (A1 ) = r 1, on applique l'hypothse de rcurrence a A1 e e 


Exemples :

Pour A; B matrice de m^me taille la notation A $ B signi e que l'on passe de A a B par une e  ou plusieurs oprations lmentaires. e ee
H

1. A =

f f f f d

0 0 0 0 0
H f f f f d

0 0 1 1 1 0 0 0 0 0

0 2 0 2 2

0 3 1 4 2 0 0 2 2 2 1 0 0 0 0

I g g g g e I g g g g e H I g g g g e H I g g g g e H I g g g g e

A$

1 0 0 1 1
H f f f f d

1 0 3 4 2 0 0 0 0 0

$
1 0 3 0 0

f f f f d I g g g g e

1 0 0 1 1
H f f f f d

0 0 0 0 0 1 0 0 0 0

0 0 2 2 2 0 0 0 0 0

1 0 3 4 2 0 2 0 0 0

f f f f d

1 0 0 0 1
H f f f f d

0 0 0 0 0 1 0 0 0 0

0 0 2 2 2 0 2 0 0 0

1 0 3 3 2 0 0 0 0 0

$
I g g g g e

f f f f d

1 0 0 0 0

0 0 0 0 0

0 0 2 2 2

1 0 3 3 3

A$

0 0 2 0 0

1 3 0 0 0

I g g g g e

1 3 0 0 0

3 r = 2

10 Determinant
10.1 Determinant d'un systme de vecteurs e
L'ide du dterminant vient de la volonte d'associ a un systme de vecteurs un nombre de sorte e e e e e que le systme est li si et seulement si ce nombre est nul. e e

66 Une solution gomtrique est donn par le volume du paralllotope engendr par ce systme de e e e e e e vecteurs.

S (x; y) y

q  q

Si le nombre des vecteurs du systme est gal a la dimension de l'espace vectoriel, ce volume est e e  possde des proprits de multilinarit qui le rende plus exploitable sur le plan du calcul. Cette e ee e e multilinarit est traduite gomtriquement e e e e

R 
y1

z :
y2

z: y

+ y2

(S (x; y1 + y2 ) = S (x; y1 ) + S (x; y2 ))

De m^me on a S (x1 + x2 ; y ) = S (x1 ; y ) + S (x2 ; y ) e

Noter que si y2 n'est pas dans le plan de x; y1 , la linarit n'est plus vrai, il faut faire appel a e e  une formule analogue a celle du thorme de Pythagore.  e e Nous admettons le thorme suivant : e e

Thorme 5.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e e base de E , il existe une application s : E n 3 K unique vri ant : e
1. s(e1 ; e2 ; : : : ; en ) = 1

67

2. Pour tout i = 1; 2; : : : ; n et tous v1 ; v2 ; : : : ; vi1 ; vi+1 ; : : : ; vn P E , l'application :

v 3 s(v1 ; v2 ; : : : ; vi1 ; v; vi+1 ; : : : ; vn )


est linaire. e 3. Pour tout (v1 ; v2 ; : : : ; vn ) P E n , on a :
(v1 ; v2 ; : : : ; vn ) lie =A s(v1 ; v2 ; : : : ; vn ) = 0

D nition 35.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e base de E , l'unique application s : E n 3 K vri ants les proprits 1) 2) et 3) du thorme 5.10 e ee e e ci-dessus s'appel dterminant dans la base B e
On note s((v1 ; v2 ; : : : ; vn )) = detB (v1 ; v2 ; : : : ; vn ) la proposition suivante montre que le calcul de detB (v1 ; v2 ; : : : ; vn ) se fait via les composantes des vecteurs vi dans B

Proposition 60.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , (v1 ; v2 ; : : : ; vn ) P E n , soit B0 la base canonique de Mn;1 (K ), soit pour chaque vi MB (vi ) le vecteur 1-colonne form des composantes de vi dans B , on a : e

detB (v1 ; v2 ; : : : ; vn ) = detB0 (MB (v1 ); MB (v2 ); : : : ; MB (vn ))


Preuve : L'application (v1 ; v2 ; : : : ; vn ) 3 detB0 (MB (v1 ); MB (v2 ); : : : ; MB (vn )) vri e les proe prits 1) 2) 3) du thorme 5.10 ee e e
On peut aussi caractriser les applications E n e thorme 5.10 e e

3 K

qui vri ent les proprits 2) 3) du e ee

Proposition 61.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E . Soit f : E n 3 K une application vri ant les proprits 2) 3) du thorme 5.10, e ee e e alors :

V(v ; v ; : : : ; vn) P E n
1 2

f (v1 ; v2 ; : : : ; vn ) = f (e1 ; e2 ; : : : ; en )detB (v1 ; v2 ; : : : ; vn )

Comment change detB (v1 ; v2 ; : : : ; vn ) si on change la base B ?

68

Proposition 62.10. (Changement de base) Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ); B H = (eH1 ; eH2 ; : : : ; eHn ) des bases de E , on a :

detB (v1 ; v2 ; : : : ; vn ) = detB (B )detB (v1 ; v2 ; : : : ; vn )


0 0

Preuve : Prendre f (v1 ; v2 ; : : : ; vn ) = detB( (v1 ; v2 ; : : : ; vn ) dans la proposition 61.10 ci-dessus

Corollaire. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ); B H = (eH1 ; eH2 ; : : : ; eHn ) des bases de E , on a :

detB (B H )detB (B ) = 1
0

Proposition 63.10. (proprit fondamentale du dterminant) Soit E un espace vectoriel de diee e mension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit (v1 ; v2 ; : : : ; vn ) P E n , on a ;
(v1 ; v2 ; : : : ; vn ) libre

@A detB (v ; v ; : : : ; vn) T= 0
1 2

Preuve : On a par d nition l'implication @=, inversement si (v1 ; v2 ; : : : ; vn ) est libre c'est une e base de E , le corollaire de la proposition 62.10 ci-dessus montre que detB (v1 ; v2 ; : : : ; vn ) T= 0

10.2 Dterminant d'un endomorphisme e


L'ide du determinant d'un endomorphisme peut venir de la question suivante : Comment change e le volume d'un objet quand on le transforme par l'endomorphisme ? Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit (v1 ; v2 ; : : : ; vn ) P E n , posons :

proposition 61.10, on a :

g(v1 ; v2 ; : : : ; vn ) = detB (f (v1 ); f (v2 ); : : : ; f (vn )) Il est facile de voir que g vri e les proprits 2) et 3) du thorme 5.10, par suite par la e ee e e detB (f (v1 ); f (v2 ); : : : ; f (vn )) = detB (f (e1 ); f (e2 ); : : : ; f (en ))detB (v1 ; v2 ; : : : ; vn )
( )

69

Proposition 64.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , soit f un endomorphisme de E , le scalair :

detB (f (e1 ); f (e2 ); : : : ; f (en )) ne dpend que de f et non de la base B e


Preuve : Soit B H = (eH1 ; eH2 ; : : : ; eHn ) une autre base de E , on a :

detB (f (eH1 ); f (eH2 ); : : : ; f (eHn )) = detB (B )detB (f (eH1 ); f (eH2 ); : : : ; f (eHn ))


0 0

changement de base par ()

= detB (B )detB (f (e1 ); f (e2 ); : : : ; f (nn ))detB (B H ) = detB (f (e1 ); f (e2 ); : : : ; f (nn ))
0

D nition 36.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une e base de E , soit f un endomorphisme de E , le scalair :

detB (f (e1 ); f (e2 ); : : : ; f (en )) s'appel determinant de l'endomorphisme f


On le note det(f )

Proposition 65.10. (proprit fondamentale du dterminant) Soit E un espace vectoriel de diee e mension nie. Soit f P L (E ) un endomorphisme de E , on a :

f bijectif

@A det(f ) T= 0

Preuve : f est bijectif si et seulement si (f (e1 ); f (e2 ); : : : ; f (en )) est libre

Proposition 66.10. Soit E un espace vectoriel de dimension nie, soient f; g P L (E ) des endomorphismes de E , on a :

det(f  g) = det(f )det(g)


Preuve :

det(f  g) = detB (f (g(e1 )); f (g(e2 )); : : : ; f (g(en ))) = det(f )detB ((g(e1 ); g(e2 ); : : : ; g(en )))

70

10.3 Dterminant d'une matrice e

D nition 37.10. Soit A P Mn (K ), on appeldterminant de A le dterminant du systme form e e e e e par les colonne de A dans la base canonique de Mn;1 (K )
On le note det(A) Si la matrice A est note par un tableau e
P T

A=T . T R .
.

a11 a12 : : : a1n a21 a22 : : : a2n


. . .

Q U U U S

det(A) se note aussi A=


        

an1 an2 : : : ann a11 a12 : : : a1n a21 a22 : : : a2n an1 an2 : : :
. . .

     .  .  .  ann 

Proposition 67.10. (proprit fondamentale du dterminant) Soit A P Mn (K ), on a : ee e Preuve : Soit iA

on a :

A inversible : Mn;1 (K ) 3 Mn;1 (K ) X

@A det(A) 3 AX , soit B

la base canonique de Mn;1 (K )

et par d nition : e par suite :

A = MB0 (iA ) det(A) = det(iA )

A inversible @A iA bijectif Proposition 68.10. Soit A; B P Mn (K ), on a :

@A det(iA) T= 0

det(AB ) = det(A)det(B )
Notation : Soit E un espace vectoriel de dimension nie n. Soit B une base de E , soit S = (v1 ; v2 ; : : : ; vn ) un systme de n vecteurs de E , on note MB (S ) la matrice carre (n; n) dont les e e colonnes sont dans l'ordre MB (v1 ); MB (v2 ); : : : MB (vn ), il rsulte de d nition du dterminant d'une e e e matrice que :

71

Proposition 69.10. Soit E un espace vectoriel de dimension nie n. Soit B une base de E , soit S = (v1 ; v2 ; : : : ; vn ) un systme de n vecteurs de E , on a : e

detB (S ) = det(MB (S ))
Cette proposition ramne le calcul du determinant d'un systme de vecteurs a celui d'une e e  matrice.

Proposition 70.10. Soit E un espace vectoriel de dimension nie n. Soit B = (e1 ; e2 ; : : : ; en ) une base de E , f P L (E ) un endomorphisme de E , on a :

det(f ) = det(MB (f ))
Preuve : det(f ) = detB ((f (e1 ); f (e2 ); : : : ; f (en ))) = detB0 ((MB (f (e1 )); MB (f (e2 )); : : : ; MB (f (en )))) = det(MB (f ))
Cette proposition ramne le calcul du determinant d'un endomorphisme a celui d'une matrice. e  On peut maintenant complter le tableau de l'isomorphisme entre applications linaires et mae e trices :

72

xPE

MB (x)
0

y = f (x) MB (y) = MBB (f )MB (x) f +g f f g f 1 rg(f ) det(f )


0

MBB (f ) + MBB (g)


0 0

MBB (f )
0

MB B (f )MBB (g)
00 0

(MBB (f ))1
0

rg(MBB (f ))
0

det(MB (f ))

10.4 Calcul du dterminant e


Les propositions 69.10 et 70.10 montre que les calculs de dterminant se ramnent tous a celui e e d'une matrice, la proposition suivante donne une formule de rcurrence tr^s pratique pour calculer e e le dterminant d'une matrice : e

Proposition 71.10. Soit A = (aij ) une matrice carre, soit Aij la matrice dduite de A en e e supprimant la ligne i et la colonne j , on a :

 Vj  Vi

i+j i (1) aij det(Aij ) det(A) = j (1)i+j aij det(Aij )

det(A) =

dveloppement par rapport  la colonne j e a dveloppement par rapport  la ligne i e a

Exemple :
   

a b  = (1)1+1 adet(d) + (1)1+2 cdet(b) = ad bc  c d

Ainsi ces formules ramnent le calcul du determinant d'une matrice A d'ordre n au calcul des e dterminant des matrices Aij d'ordre n 1. On a int^ret a dvelopper par rapport a la ligne ou e e  e colonne qui contient beaucoups de 0 car si aij = 0 inutile de calculer det(Aij ). Dans ce but on cre des 0 dans la matrice on utilisant la rgle donne par la proposition suivante qui se dduit e e e e immdiatement de la proprit fondamental du dterminant (alternance et multiliniarit) e ee e e

73

Proposition 72.10.

  

Le determinant d'une matrice est inchang si on ajoute  une ligne (resp colonne) une come a binaison linaires des autres lignes (resp colonnes) e Si on multiplie une ligne ou colonne d'un matrice par un scalaire, det(A) est multipli par ce e scalaire. Si on permute deux lignes (resp colonnes) le dterminant est multipli par -1 e e

E xemple : Soit

A=f d
On a:
     

1 1 1 1

1 2 2 1

2 1 3 1 1 2 2

I g g e

c1 + c3
0 0 2 1

det(A) =

1 2 2 1

1
1 1 2

2 3 1 2
     

     

     

0 0 2 1
     

c2 + c3
0 3 1 3

1
1 1 2

2 3 1 2 0 5 3 6

det(A) =

0 0 2 1

0 3 1 3
   1)   

1
1 1 2

c4 + 2 c3

     

dveloppons par rapport a la premire ligne : e  e

det(A) = +(

0 2 1

3 5 1 3 3 6

     

Le signe (1)i+j peut tre valu rapidement en partant de la case a11 avec un + et en basculant e e e au signe oppos chaque fois qu'en se dplace d'une case horizentalement ou verticalement jusqu'a e e la case aij . Rptons le raisennement sur le dterminant d'ordre 3 on a : e e e

74

det(A) = +(1)
Soit :

     

0 0 1 3 7

3 7 3


5 9 6

     

l2 2l3

det(A) = (

  1)(+1)  

5  9  = 3:(9) + 5:(7) = 8

La preuve de la proposition 71.10 donne une formule explicite de l'inverse d'une matrice :

Proposition 73.10. Soit A une matrice carr inversible. On a : e

A 1 =

det(A)

t ((1)i+j det(A )) ij

Toutefois cette formule n'a qu'un int^ret thorique puisqu'elle exige le calcul de n2 determinants e e ce qui est trop m^me si n = 3 e Il existent des determinants faciles a valuer. On a : e

Proposition 74.10. Dterminants remarquables : e

 ja j = a  
   

a b  = ad bc  c d
       H H aHH   a a   a a H   b b b bH bHH  =  c cH   c cH cHH   

Rgle de Sarus e

aHH bHH cHH

       

+ +
   .  .  .   0   n 

a aH b bH = (abH cHH + aH bHH c + aHH bcH ) c cH (aHHbHc + : : : )

Dterminant de matrice diagonale e


         

1
0

. . . 0

0 ... 0

= 1 2 n

75

Dterminant de matrice triangulaire suprieure e e


         

1
0

. . . 0

...
0

   .  .  .     n 

= 1 2 n

Dterminant de matrice triangulaire infrieure e e


         

1 0 2 . . . . ... . .

   .  .  .   0   n 

= 1 2 n

Dterminant de matrice triangulaire suprieure par blocs e e


         

A1
0

. . . 0

A2

0
2

...
0

   .  .  .     An 

= det(A1 )det(A2 ) det(An )

Dterminant de matrice triangulaire infrieure par bloc e e


         

A1

A
. . .

... ...

   .  .  .   0   An 

= det(A1 )det(A2 ) det(An )

(Les matrices Ai ont leures diagonales principales portes par la diagonale principale de la e matrice totale)

 det(AB ) = det(A)det(B )  det(A ) = det1 A) (


1

 det(tA) = det(A)
Exemples :
             

1.

2 0 0 0

1 2 1 3

1 0 1 1

1  

0 = j 2j 0 1

     

2 1 3

0 0  1 0  = 2 (2 (1) 1) = 4  1 1

76
       

2.

1 1 2 2

0 2 0 1 1 1 4

0   0 1 = 3 1  3

1   1  
2
 

3 4 3

   

10.5 Application aux systmes linaires (Elimination par blocs) e e


Reprenons le systme linaire gnral : e e e e
V b b ` b b X

a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn


1 1 2 2

am x + am x + + amn xn
P

= b1 (1) = b1 (2) = bm (m)

Noton

a n T A = T a n R am am amn
a11 a12 a21 a22
1 1 2 2

Q U U S

(La matrice du systme). Cette matrice se lit directement sur le systme. e e Matricielement le systme s'crit : e e
P

a n T a n T R am am amn
a11 a12 a21 a22
1 1 2 2

QH Uf Uf Sf d

x1 x2 xn
. . .

I g g g e

H f

=f . f d . .

b1 b2

I g g g e

bm

D nition 38.10. Un systme linaire est dit de Cramer si sa matrice est carre et inversible e e e e

Proposition 75.10. Soit AX = b un systme linaire de Cramer, alors il admet une et une seule e e solution A1 b
La mthode d'limination peut tre gnralise naturalement comme suit : e e e e e e

 

Soit Ar une matrice carre de determinant non nul extraite de A. e

Ar en fonctions des autres inconnues.

En utilisant les quations qui touchent Ar , exprimer les inconnues xi1 ; xi2 ; : : : ; xir qui touchent e

77

e Rapporter l'xpression de xi1 ; xi2 ; : : : ; xir dans les quations qui ne touchent pas Ar e & n r inconnues systme Sr de e m r quation e
V b b ` b b X

Resoudre Sr . On a alors Solution de S = Solution de Sr et

xi1 = : : : xi2 = : : : xi = : : :
r

Mthode des dterminants 3 prendre r maximum. Alors Sr est ncessairement lementaire : e e e e

Sr
Remarque.

V ` X

0xir+1 + 0xir+2 + + 0xin = bHr+1

1. Si r n'est pas maximum, on peut toujours continuer la rsolution sur Sr . e

0xir+1 + 0xir+2 + + 0xin = bHm

2. Si Ar est inversible et Sr lementaire =A r est maximum. e 3. Le fait que Sr est lementaire T=A que r est maximum. e
Exemple :
V ` X

Il n'est pas facile de vri er si, toutes les 4 determinants d'ordre 3 extraits sont nuls ; il y a des e   1 1 matrices extraites d'ordre 2 de determinant non nul, on peut essayer par exemple Ar = 1 2 le systme de Cramer port par Ar est : e e
&

x+y+zt = 1 x + y z 2t = 3 3x + 3 y z 5t = 7

ce qui donne x = 1 y 3z et t = 2 2z que l'on porte dans les quations qui ne touchent pas e Ar (ici une seule) : 3x + 3 y z 5 t = 4 on trouve : 3(1 y 3z ) + 3y z 5(2 2z ) = 7 On trouve bien un systme lementaire, sa solution gnrale est : e e e e La solution gnerale de S se dduit alors de celle de Sr en remontant les quations. e e e

xt = 1yz x 2t = 3 y + z

f(y; z)jy; z P K g

Soution(S ) =
Soit

V `

   (x; y; z; t)   X 

y; z P K x = 1 y 3z t = 2 2z

W a Y

Soution(S ) = f(1 y 3z; y; z; 2 2z ) j y; z P K g

78

11 Diagonalisation des endomorphismes


Soit E un espace vectoriel, f P L (E ) un endomorphisme de E , la donne du couple (E; f ) d nit e e une nouvelle structure. Se pose alors le problme de factoriser cette structure. L'analyse de ce e problme montre qu'il est quivalent a : e e 

 

Factoriser l'espace vectoriel E en somme directe E = F1 F2 Fm Chaque Fi doit tre stable par f , c'est--dire : f (Fi ) & Fi e a

La meilleure factorisation tant lorsque Fi soient les plus petits, soit lorsque dim(Fi ) = 1, e c'eat--dire Fi = vect(vi ) avec vi T= 0. La condition f (Fi ) & Fi se traduit par : a

W P K

f (vi ) = vi

Comme pour les autres questions sur les applications linaires, la factorisation d'un endomore phisme, se ramne a celle d'une matrice carre, c'est pour cette raison nous nous limitons aux cas e  e des matrices, de plus nous ne traitons que le cas de la factorisation optimale (la diagonalisation) le cas gnral ne fait pas partie du programme. e e Dans la suite Mn;1 (K ) est l'espace vectoriel des vecteur 1 colonne
H f f f d

x1 x2
. . .

I g g g e

xn Il est pratiquement identique a K n . Soit A P Mn (K ), elle d nit un endomorphisme de  e Mn;1 (K ), iA : X 3 AX , par abus les objets li a iA (tel que ker(iA ); Im(iA ); : : : ) se notent e ker(A); Im(A); : : :
D nition 39.11. Soit A P Mn (K ) une matrice carre,  P K , on dit  est une valeur propre de e e A si il existe un vecteur colonne X P Mn;1 (K ) avec X T= 0 et AX = X
On note sp(A) l'ensemble des valeurs propres de A (sp comme spctre) e Donc
H f

 P Sp(A) @A W f . f d .
.
H I e,

x1 x2

I g g g e
1

xn

P Mn; (K ) A f f d

x1 x2 xn
. . .

I g g g e

H f

= f . f d . .

x1 x2

I g g g e

xn

Exemple : Soit

A=d

2 1 1 1 2 1 1 1 2

on a :

79
H

Ad
Donc 4 P sp(A)

1 1 1

I e

=d

4 4 4

I e

= 4d

1 1 1

I e

Proposition 76.11. Soit A P Mn (K ) une matrice carre,  P K , In la matrice identit de taille e e n, on a :

 P sp(A) @A det(A In ) = 0


Preuve : On a :

 P sp(A) @A WX P Mn;1 (K ); X T= 0; et AX = X

@A WX P Mn; (K ); X T= 0; et (A In)X = 0
1

@A Ker(A In) T= f0g @A det(A In) = 0


Soit dans Mn (K (X )) la matrice :

A XIn
On note :

PA (X ) = det(A XIn )
La formule explicite du determinant montre que :

Proposition 77.11. PA (X ) P K [X ] D nition 40.11. Soit A P Mn (K ), le polyn^me PA (X ) s'appel polyn^me caractristique de A e o o e


Les proprits des substitutions dans un polyn^me (cf cours semestre 1) donne : ee o

Proposition 78.11. Soit A P Mn (K ), soit  P K , on a :

 P sp(A) @A PA () = 0

80

Proposition 79.11. Soit A P Mn (K ), A = (aij ), notons tr(A) =

i aii ,

on a :

PA (X ) = (1)n X n + (1)n1 tr(A)X n1 + + det(A)


Corollaire. Soit A P Mn (K ), alors A admet au plus n valeurs propres .
Cas particulier :

Si A est une matrice (2; 2), on a :

PA (X ) = X 2 tr(A)X + det(A)
H

Si A = d

a aH aHH b bH bHH c cH cHH

I e,

posons :

H   bH bHH   HH 2 = a aH  +  cH cHH  +  a aHH   c c b b  

   

   

On a :

PA (X ) = X 3 + tr(A)X 2 2 X + det(A)
Exemples :

1. Cherchons le spectre de la matrice A =

1 1

2
4

, on a :

PA (X ) = X 2 tr(A)X + det(A) = X 2 5X + 6 = (X 2)(X 3)


Donc sp(A) = f2; 3g
H

2. A = d

2 1 1 1 2 1 1 1 2

e,

on a :

2 = 3 + 3 + 3 = 9
2 1 1 2   det(A) = 1 2 1  =  1   1 1 2 0
       

1 1 0   2 1 = 1   1 1   0

3 1  
2 1

1 =4  1

PA (X ) = X 3 + 6X 2 9X + 4 = (X 4)(X 1)2
Donc sp(A) = f1; 4g

81

En vertu du problme de la diagonalisation des matrices, les deux lemmes suivants vont jouer e un r^le tr^s important : o e

Lemme 1. Soit A somme :


est directe.

P Mn(K ), soient  ;  ; : : : k P sp(A) des valeurs propres de A distints, la


1 2

Ker(A 1 In ) + Ker(A 2 In ) + + Ker(A k In )

Preuve : Rcurrence sur k, soit une relation : e


(1) appliquons A : soit (2) formons (2) k (1), il vient :

v1 + v2 + + vk = 0

vi P Ker(A i In )

Av1 + Av2 + + Avk = 0 1 v1 + 2 v2 + + k vk = 0

(1 k )v1 + (2 k )v2 + + (k1 k )vk1 = 0 L'hypothse de rcurrence montre que (i k )vi = 0 pour i = 1; 2; : : : ; k 1. Comme i k T= 0 e e on obtient v1 = v2 = = vk1 = 0, il reste dans (1) que vk = 0, donc v1 = v2 = = vk = 0

Lemme 2. Soit A P Mn (K ),  P sp(A) une valeur propre de A, soit m la multipicit de  dans e PA (X ), on a :

dim(Ker(A In )) m Preuve : Comme Ker(A In ) T= f0g, on a dim(Ker(A In )) ! 1. Soit B1 une base de Ker(A In ), soit k = dim(Ker(A In )) = jB1 j, on complte B1 a B base de Mn;1 (K ), dans e  cette base la matrice de iA : Mn;1 (K ) 3 Mn;1 (K )X 3 AX est de la forme :
1
H f f f f d g   g  ::: ::: ::: ::: ::: g k g  0 ::: 0  e  0 : : : 0 0 A1 k = dim(Ker(AIn )), par suite dim(Ker(AIn ))


0

::: ::: ::: :::

D'o PA (X ) = (X )k Q u

m

82

Corollaire. Soit A P Mn (K ),  P sp(A) une valeur propre de A, si  est une racine simple du polyn^me caractristique de A, alors : o e

dim(Ker(A In )) = 1

D nition 41.11. Soit A P Mn (K ), soit  P sp(A) une valeur propre de A. on appel vecteur e propre de A associ  la valeur propre  tout vecteur X P Mn;1 (K ) (X T= 0) tel que AX = X ea

Proposition 80.11. Soit A P Mn (K ), soit sp(A) = f1 ; 2 ; : : : k g l'ensemble des valeurs propres de A, il est quivalent de dire : e
1. Mn;1 (K ) = Ker(A 1 In ) Ker(A 2 In ) Ker(A k In ) 2. Mn;1 (K ) admet une base forme de vecteurs propres de A e 3. Mn;1 (K ) admet une base o la matrice de l'endomorphisme Mn;1 (K ) 3 Mn;1 (K ) X 3 AX u est une matrice diagonale. 4. Il existe une matrice P P Mn (K ) inversible telle que P 1 AP est une matrice diagonale.

Preuve :

   

1) =A 2) car si 1) soit pour chaque valeur propre  de A, B une base de Ker(A In ), alors en vertu de 1), (B1 ; B2 ; : : : ; Bk ) est une base de Mn;1 (K ) forme de vecteurs propres. e 2) =A 3) immdiat e 3) =A 4) par la formule de changement de base 4) =A 1) car si 4), notons D = P 1 AP , donc AP = P D, soit (c1 ; c2 ; : : : ; cn ) le systme de e Mn;1 (K ) form des colonnes de A et posons e
H f ::: D = f : 0: : 2 : 0: : : : : : : d : :: : 0 0 : : : 0 n

:::

0 0

I g g e

Par d nition du produit matrciel la relation AP = P D quivaut a Aci = i ci , donc ci sont e e  des vecteurs propres de A, comme P est inversible (c1 ; c2 ; : : : ; cn ) est libre, c'est donc une base de Mn;1 (K ), donc tout X P Mn;1 (K ) est combinaison linaire de vecteurs propres de A, e donc 1)

83

D nition 42.11. Soit A P Mn (K ). On dit que A est diagonalisable si elle vri e les proprits e e ee quivalentes de la proposition ci-dessus. e
Le thorme suivant fournit un critre pour reconnaitre si une matrice est diagonalisable. e e e

Thorme 6.11. Soit A P Mn (K ) une matrice carre. A est diagonalisable si et seulement si e e e


1. PA (X ) est scind sur K e 2. Pour toute valeur propre  de A, dim(Ker(A In )) = m la multipicit de  dans PA (X ), e

Preuve : Pour tout  valeur propre de A, on a :


1 donc

dim(Ker(A In ))

m m

( )

Psp(A)

dim(Ker(A In ))

sp(A)

d (PA (X )) = n

A diagonalisable @A dim(Psp(A) Ker(A In )) = dim(Mn;1 (K )) = n

@A @A
&

@ dim(Ker(A Psp(A) 

Psp(A)

dim(Ker(A In )) = d (PA (X ))

Psp(A) m = d (PA (X ))

In)) = Psp A m
( )

(A ) dim( @A V (P spscinde sur KKer(A In)) = m PA X )

(ceci dH apres ())

Corollaire. Soit A P Mn (K ), si PA (X ) est scind et si toutes ses racines sont simples, alors A e est diagonalisable. Preuve : On a applique le corollaire du lemme2
Voici l'algorithme pour diagonaliser une matrice :

1. Si PA (X ) n'est pas scind sur K , s'arrter A n'est pas diagonalisable e e

84

2. Si il existe une valeur propre  de A multiple telle que dim(Ker(A In )) T= m s'arrter A e n'est pas diagonalisable 3. Pour chaque valeur propre  de A calculer une base B de Ker(A In ) en rsolvant le e systme linaire (A In )X = 0 e e 4. Posons sp(A) = f1 ; 2 ; : : : ; k g l'ensemble des valeurs propres de A. Soit B = (B1 ; B2 ; : : : ; B ) (c'est une base de Mn;1 (K )) forme de vecteurs propres de A, soit P la matrice de passage e de la base canonique de Mn;1 (K )  B , on a P 1 AP diagonale a
k

Proposition 81.11. Application de la diagonalisation 1 Soit A P Mn (K ) une matrice diagonalisable. Soit P une matrice inversible telle que P 1 AP soit une matrice diagonalisable. Posons
H f ::: P 1 AP = f : 0: : 2 : 0: : : : : : : d : :: : 0 0 : : : 0 n

:::

0 0

I g g e

alors :
H

Vm P N

m f : Am = P f : 0: :2: : 0: : : : : : : d : : : : : m 0 0 : : : 0 n

m 1

:::

0 0

I g 1 gP e

Preuve : La matrice P d nit un changement de base B0 3 B (B0 base canonique de e Mn;1 (K )). Dans B , l'endomorphisme X 3 Am X est reprsent par la matrice e e
H f f d

m 1

m 2 0 : : : ::: ::: ::: ::: ::: m 0 0 : : : 0 n

:::

0 0

I g g e

la proposition s'ensuit par la formule de changement de base

Proposition 82.11. Pour toute A P Mn (C), la srie e

m=0

Am converge m!

D nition 43.11. Soit A e I Am m=0 m! On la note eA

P Mn(C),

on appel matrice exponentielle de A, la limite de la srie e

85

Proposition 83.11. Application de la diagonalisation 2 Soit A P Mn (C) une matrice diagonalisable. Soit P une matrice inversible telle que P 1 AP soit une matrice diagonalisable. Posons
H f ::: P 1 AP = f : 0: : 2 : 0: : : : : : : d : :: : 0 0 : : : 0 n

:::

0 0

I g g e

alors :
H

2 f : eA = P f : 0: e: : : 0: : : : : : : d : : : : : 0 0 : : : 0 e

e 1

:::

0 0

I g 1 gP e

Preuve : On applique la proposition prcdente par passage a la limite ee 

Remarque. 1. Si on a calcul Am , inutile d'utiliser la formule ci-dessus eA = P eD P 1 pour e A , l'expression de eA rsulte de l'expression de Am en remplaant chaque m par e calculer e e c
2. Parfois pour les besoins en systmes di rentiels, on calcul plut^t etA , il sut dans l'expression e e o m de remplacer chaque m par et de A

Exemples :

1.

A=d A est diagonale par bloc, d'o : u

1 0 0 0 2 1 0 0 2

I e

PA (X ) = (1 X )(2 X )2 sp(A) = f1; 2g

scinde

Etudions d'abord la valeur propre multiple  = 2


H d

x y z

I e

P Ker(A In) @A (A
H

In ) d

x y z

I e

0 0 0

I e

= @A x= 00 z

&

D'o Ker(AIn ) = vect d u

0 1 0

I e

dim(Ker(AIn )) < m = 2 3 A non diagonalisable

86 2.
H

A=d

1 0 0 0 0 1

0 1 0

I e

P M (R)
2

PA (X ) = (1 X )(X 2 + 1) non scind 3 A non diagonalisable e


3.
H d

5 1 0 0 1 1 0 0 2

I e

PA (X ) = (5 X )(1 X )(2 X ) scind et tous ses racines simples 3 A diagonalisable e


Cherchons une base de vecteurs propres. On a sp(A) = f1; 2; 5g

Cherchons les vecteurs propres associs a la valeur propre  = 5 e 


H d

x y z

I e

P Ker(AIn) @A (A
H

In ) d

x y z

I e

0 0 0

I e

@A X

V `

y=0 4y + z = 0 3z = 0

=0 @A y = 0 z

&

1 d'o Ker(A In ) = vect d 0 e u 0 Cherchons les vecteurs propres associs a la valeur propre  = 2 e 
H d

x y z

I e

P Ker(AIn) @A (A
H

In ) d
I

x y z

I e

0 0 0

I e

@A

&

3x + y = 0 y + z = 0

= 3 @A y z = y x

&

1 d'o Ker(A In ) = vect d 3 e u 3 Cherchons les vecteurs propres associs a la valeur propre  = 1 e 
H d

x y z

I e

P Ker(AIn) @A (AIn) d
H

x y z

I e

=d

0 0 0

I e

@A

&

4x + y = 0 z=0

= 4 @A y z = 0 x

&

d'o Ker(A In ) = vect d u

1 4 0

I e

87 D'o une base de vecteurs propres de A u


HH

B = dd

1 3 3

I H e;d

1 0 0

I H e;d

1 4 0

II ee

La matrice de passage de la base canonique de Mn;1 (K ) a la base B est ; 


H

P =d
On a :

1 1 3 0 3 0
H

1 4 0

I e

P 1 AP = d
ce qui quivaut a : e 
H

2 0 0 0 5 0 0 0 1
I

I e

A=Pd
On en dduit : e
H

2 0 0 0 5 0 0 0 1

e P 1

An = P d
H

2n 0 0 0 5n 0 0 0 1
5n 12

I e P 1
2n 3

=d et

5n 0 0

5n 4

1 =4
1 0

+ 1 =4 n1 2 2n
I e P 1
t

I e

etA = P d 0 e5t
0
H

e2t

0 et

0 0

=d 0 0 4.

e5t

e5t
4

e t =4
et
0
H

e5t
12

e2 + et=4 e e t et
2 3

e2t

A=d 0
3 c'est une matrice diagonale par blocs.

2 3

0 1 0 3 1

I e

88

 PA(X ) = (X + 2)(X 1) scind. On a : sp(A) = f1; 2g e  Cherchons les vecteurs propres associs a la valeur propre  = 1 e 
2

H d

x y z

I e

P Ker(A In) @A (A In) d

x y z

I e

=d

0 0 0

I e

= @A 3x+ 33y= 00 3x y

&

HH

D'o Ker(A In ) = vect dd 1 u 0

1 I

@A x = y
H e;d

0 0 1

II ee

dim(Ker(A In )) = 2 = m 3 On continue


H d

Cherchons les vecteurs propres associs a la valeur propre  = 2 e 

x y z

I e

P Ker(A In) @A (A In) d


& H I

x y z

I e

=d

0 0 0

I e

@A X

V `

3y = 0 3x + 3 y + 3 z = 0

3y = 0

y=0 z = x

1 d 0 e D'o Ker(A In ) = vect u 1 Une base de vecteurs propres est donc :
HH dd

1 I
1 0

e;d

0 0 1

I H e;d

1 0 1
I e

II ee

La matrice de passage de la base canonique de Mn;1 (K ) a la base B est ; 


H

P =d
On a :

0 1 0 0 1 1 0 0 1 0 0

1 0 1

P 1 AP = d
ce qui quivaut a : e 
H

0 0 2
I

I e

A=Pd

1 0 0 1 0 0

0 0 2

e P 1

89 On en dduit : e
H

An = P d
H d

1 0 0 0 1 0 n 0 0 (2)

I e P 1 I e

(2)n (2)n 1 0 0 1 0 n 1 (2)n 1 1 (2)


H

et

etA = P d
H d

et 0 0 et
0

0 e 2 t

0 0

I e P 1 I e

e 2 t et e2t
0

e2t et 0 et 0 t e2t et e